Google test Gemini Robotics 2.5 voor kitting bij Mercedes

Gemini Robotics 2.5 bestuurt in een proef op twee Mercedes-fabriekslocaties Apptroniks Apollo 2 bij het klaarzetten van auto-onderdelen; Google DeepMind meldt 96 procent succes voor deze afgebakende taak.

Kitting zet onderdelen in de juiste volgorde klaar voordat ze naar montage gaan. De proef raakt daarmee een concrete voorbereidende stap op de productievloer: herhaalbaar werk aan de aanvoerzijde, waarbij personeel volgens Google ruimte krijgt voor complexere montage. Het gaat om een taakproef op actieve lijnen, niet om een meting van autonome productie of de hele Mercedes-fabriek.

Apollo 2 doet het voorwerk

De proef vindt plaats op actieve productielijnen van Mercedes-Benz in Kecskemét, Hongarije, en Sindelfingen, Duitsland. Apollo 2 pakt zelfstandig metalen auto-onderdelen uit bulkbakken en plaatst ze in bakken in de volgorde die voor ieder voertuig nodig is. Dat is automotive kitting. De robot bereidt onderdelen voor, maar monteert de auto niet.

De twee AI-modellen hebben verschillende rollen. Gemini Robotics ER houdt de werkstroom bij en redeneert over de taakstappen. Gemini Robotics 2.5 stuurt de handen en armen van Apollo 2 aan. Gemini Robotics 2.5 is een vision-language-action-model: het gebruikt beeld en instructies om fysieke handelingen aan te sturen. Zo wordt AI gekoppeld aan de precieze volgorde van onderdelen op een productielijn.

DeepMind zegt dat Gemini Robotics 2.5 wordt uitgerold naar zijn robotica-partners, waaronder Agile, Apptronik en Mercedes-Benz. Het bericht noemt geen prijs, leverdatum of algemene toegang voor ontwikkelaars. Voor een Nederlandse producent is dit voorlopig dus informatie over een proef met een partner, niet over de inkoopvoorwaarden van een beschikbaar product.

De 96 procent meet geen productielijn

De 96 procent is het gemelde succespercentage van de kittingproef. DeepMind publiceert geen aantal pogingen, looptijd, definitie van een succesvolle plaatsing, percentage menselijke tussenkomst of output per uur. Zonder die gegevens is het cijfer niet te vertalen naar inzetbaarheid over een volledige dienst, beschikbaarheid van de lijn of terugverdientijd.

In ruim 200 taaktests rapporteert Google 30 tot 100 procent hogere succespercentages dan eerdere vergelijkingsmetingen en 20 tot 30 procent kortere uitvoeringstijd; aparte veiligheidstests tonen 33 procent meer veilige taakafronding rond obstakels en 43 procent bij mensen, schrijft The Decoder. Deze bedrijfsmetingen horen bij andere taaksets en zijn geen aanvullende resultaten van de Mercedes-kittingproef.

DeepMind bracht ook de open-source veiligheidstest ASIMOV-Jailbreak uit. De dataset bevat 845 testgevallen in gesprekken met maximaal tien stappen, verdeeld over 15 aanvalstactieken, met controles op robotacties en een taalmodel als beoordelaar. De test meet of een agent tot onveilige acties kan worden verleid, niet hoe de Mercedes-lijn presteert.

De aankondiging geeft geen onafhankelijke vergelijking, geen volledige testopzet en geen uitsplitsing van fouten of herstelacties. Een succespercentage van een robotmodel zegt bovendien niet hoeveel onderdelen per uur de productielijn haalt. Voor een inkoopbesluit zijn ook de frequentie van menselijke overnames, de tijd per handeling en het gedrag bij afwijkende onderdelen nodig.

Simulatie levert oefentaken

Een tweede model, Gemini 4 Argon, helpt volgens DeepMind het robotmodel trainen. Argon kan een camerascène omzetten in een digitale kopie van een werkplek en daar veel gevarieerde oefenruns voor maken. Onderzoekers kunnen ook opnames van mislukte handelingen analyseren en verbeteringen eerst in simulatie proberen.

Op 13 oktober liet Google Argon uit één foto een gekalibreerde natuurkundige simulatie in MuJoCo bouwen en meer dan 4.500 oefenruns maken. In de bijbehorende robottest steeg het succespercentage van 56 naar 75 procent en daalde de uitvoeringstijd van 35 naar 24 seconden, beschrijft Google. Die proef betrof een andere robottaak en is geen benchmark voor Gemini Robotics 2.5 bij Mercedes. Ze laat wel zien hoe simulatie de hoeveelheid trainingsmateriaal kan vergroten voordat een nieuw gedrag op hardware wordt geprobeerd.

Andere fabrieksproeven meten iets anders

De score lijkt op een claim uit een eerdere humanoïde-robotproef, maar de cijfers zijn niet rechtstreeks te vergelijken. Embodied AI meldt gemiddeld 95 procent taaksucces in betaalde pilots bij grote fabrikanten, zonder de klanten of precieze taken te noemen. Het bedrijf koppelt de score ook niet expliciet aan AIR. De AIR-aankondiging noemt 95 procent gemiddeld taaksucces in betaalde pilots, zonder het cijfer expliciet aan AIR te koppelen en maakt duidelijk dat het een andere, minder afgebakende maatstaf is dan Googles kittingresultaat voor Apollo 2.

Renault Group werkt met Wandercraft aan Calvin voor materiaaltransport. Renault noemt een route van circa tien robots eind 2026 naar 350 in Franse en Spaanse fabrieken eind 2027. In Douai verplaatst Calvin twee autobanden tegelijk, samen ongeveer 30 kilo. De Renault-Wandercraft-planning voor 350 fabrieksrobots richt zich op grotere lasten; Mercedes test het klaarzetten van kleine metalen auto-onderdelen. Beide proeven verkennen fysiek werk op de fabrieksvloer, maar de taak en meetlat verschillen.

Voor Nederlandse maakbedrijven is de volgende beslisrelevante stap een meting over volledige diensten: hoeveel onderdelen per uur worden klaargezet, hoe vaak neemt een medewerker over en hoeveel variatie kan de taak aan? De robotcel moet ook passen in de planning en materiaalstroom van de fabriek. Tot zulke gegevens en een prijs beschikbaar zijn, beschrijft de 96 procent een kittingproef, geen businesscase voor een complete productielijn.