{
  "id": "UC-05-SYNTHETIC-DATA-ROBOTIC-TRAINING",
  "slug": "uc-05-synthetic-data-robotic-training",
  "title": "Synthetische Datengenerierung & Roboter-KI-Training",
  "subtitle": "Generierung von Trainingsdaten in NVIDIA Isaac Sim",
  "tier": "Tier 3",
  "tierLabel": "Tier 3 (> €100k / Enterprise OEM)",
  "shortDesc": "Wie umsetzen? Simulation physikalisch korrekter Sensordaten (Kameras, LiDAR, Depth) in NVIDIA Isaac Sim / Omniverse. Roboter-KI-Modelle lernen Objekterkennung und Greifpunkte komplett virtuell vor der Inbetriebnahme.",
  "goal": "Betrieblicher Nutzen: 100x schnellere Generierung perfekt annotierter KI-Trainingsdaten im Vergleich zu manueller Kennzeichnung in der Realität. (Indikativer Forschungs-Benchmark).",
  "extendedDoc": {
    "overview": "Das Training KI-gestützter Roboter für Greif- und Sortieraufgaben scheitert in der Praxis oft an der zeitintensiven manuellen Beschriftung von Hunderttausenden von Trainingsbildern. Dieser Use Case nutzt fotorealistische und physikalisch genaue Simulationsumgebungen in NVIDIA Isaac Sim auf Basis von OpenUSD. Das System generiert automatisch Millionen synthetischer Bilder mit perfekten Bounding Boxes, Depth-Maps und Objektschlüsselpunkten für das Training von KI-Modellen (z.B. YOLO oder HuggingFace LeRobot).",
    "keyHighlights": [
      "Generierung von Millionen automatisch annotierter Bilder in Minuten",
      "Training von Roboter-Greifalgorithmen ohne Risiko physischer Kollisionen",
      "Domain Randomization für robuste Erkennung bei wechselnden Lichtverhältnissen",
      "Nahtloser Transfer vortrainierter KI-Modelle auf reale Industrie-Roboter"
    ],
    "prerequisites": [
      "NVIDIA RTX / Omniverse GPU-Server-Cluster",
      "NVIDIA Isaac Sim & OpenUSD CAD-Pipeline",
      "Machine Learning Framework (PyTorch, YOLOv8, HuggingFace LeRobot)"
    ],
    "timeframe": "2–6 Wochen KI-Trainingszyklus"
  },
  "kpis": [
    {
      "label": "Trainingsdaten-Speedup",
      "value": "100x"
    },
    {
      "label": "Beschriftungs-Kosten",
      "value": "-95%"
    },
    {
      "label": "Greif-Erfolgsquote",
      "value": "> 99%"
    }
  ],
  "media": {
    "youtube": {
      "id": "dQw4w9WgXcQ",
      "title": "Synthetic Data & Robotic AI Training Showcase",
      "caption": "Generierung synthetischer Trainingsdaten in NVIDIA Isaac Sim für Roboter-Autonomie."
    },
    "gallery": [
      {
        "url": "https://images.unsplash.com/photo-1485827404703-89b55fcc595e?w=1200&auto=format&fit=crop&q=80",
        "caption": "Physikalisch genaue Simulationsumgebung für Roboter-Greifaufgaben",
        "alt": "Industrieroboter in Simulationsumgebung"
      }
    ]
  },
  "flow": [
    {
      "layer": "1",
      "layerTitle": "Schicht 1: Erfassung & Sensorik",
      "refCode": "IND-META-2026-YOLO26-EDGE",
      "nodeName": "Depth Camera / Edge Vision",
      "role": "Optische 3D-Sensorik & KI-Greifraum-Erfassung am Roboterarm",
      "linkAnnotation": {
        "protocol": "CAD-zu-SimReady OpenUSD Konvertierung",
        "description": "Überführung der Werkstück-CAD-Modelle in physikfähige OpenUSD-Dateien mit Reibungs-, Schwerpunkt- und Materialparametern."
      }
    },
    {
      "layer": "2",
      "layerTitle": "Schicht 2: Geometrie & CAD/BIM",
      "refCode": "IND-META-2026-OPENUSD",
      "nodeName": "OpenUSD / SimReady Assets",
      "role": "Physikalisch basierte 3D-Geometrien & Kinematik-Modelle",
      "linkAnnotation": {
        "protocol": "USD Stage Composition & LeRobot Pipeline",
        "description": "Zusammenführung von Roboter, Greifer und Werkstücken in eine koordinierte NVIDIA Omniverse Simulations-Bühne."
      }
    },
    {
      "layer": "3",
      "layerTitle": "Schicht 3: Middleware & Integration",
      "refCode": "IND-META-2026-HUGGINGFACE-LEROBOT",
      "nodeName": "HuggingFace LeRobot / ROS2",
      "role": "KI-Trainings-Pipeline, Datensatz-Kuratierung & Telemetrie-Brücke",
      "linkAnnotation": {
        "protocol": "Domain Randomization & PhysX-Simulation",
        "description": "Automatische Generierung von zehntausenden synthetischen Sensorbildern mit variierender Beleuchtung, Posen und Hintergründen."
      }
    },
    {
      "layer": "4",
      "layerTitle": "Schicht 4: Simulation & Verhalten",
      "refCode": "IND-META-2026-NVIDIA-ISAAC",
      "nodeName": "NVIDIA Isaac Sim / PhysX",
      "role": "Synthetische Datengenerierung (SDG) & Physik-Validierung",
      "linkAnnotation": {
        "protocol": "RTX Sensor-Simulation & Ground-Truth Export",
        "description": "Fotorealistisches Raytracing zur Erzeugung pixelgenauer Bounding-Boxes, Segmentierungsmasken und Tiefenkarten."
      }
    },
    {
      "layer": "5",
      "layerTitle": "Schicht 5: Immersion & Interaktion",
      "refCode": "IND-META-2026-NVIDIA-OMNIVERSE",
      "nodeName": "Omniverse RTX Renderer",
      "role": "Fotorealistische Raytracing-Visualisierung & KI-Trainings-Monitoring"
    }
  ]
}