BMW ha encargado a su planta de Landshut una tarea menos vistosa que poner un humanoide delante de una cámara, pero probablemente más importante para llevar estos robots a fábrica: desarrollar la pila de software que conectará datos reales, simulación, entrenamiento y ejecución de tareas. El objetivo es averiguar qué trabajos de producción de componentes justifican de verdad un sistema humanoide y cómo transferir lo aprendido entre robots distintos.
La iniciativa completa los pilotos que el grupo ya mantiene con Figure 03 en Spartanburg y con AEON, de Hexagon, en Leipzig. BMW deja así de limitarse a evaluar el hardware de proveedores y empieza a construir conocimiento propio en la capa que puede decidir si una prueba aislada se convierte en una capacidad industrial repetible.
Una pila abierta entre la fábrica y el robot
El proyecto se apoya en plataformas abiertas y combina programación determinista con modelos visión-lenguaje-acción (VLA). Estos modelos relacionan lo que el robot ve, una instrucción y el movimiento que debe ejecutar, pero BMW no plantea que sustituyan todo el control tradicional. En una fábrica siguen existiendo secuencias, límites de seguridad y operaciones que deben comportarse de forma predecible.
Según la presentación oficial del proyecto, la arquitectura abarcará percepción, aprendizaje, simulación, planificación de movimiento y toma de decisiones. La idea es formar un ecosistema modular en el que puedan convivir distintos sistemas robóticos, en lugar de escribir una aplicación cerrada para un único humanoide.
Ese enfoque importa porque BMW ya trabaja con más de un proveedor. Spartanburg prueba Figure 03 en secuenciación logística, mientras Leipzig prepara a AEON para operaciones relacionadas con baterías de alta tensión y fabricación de componentes. Una capa común de datos y habilidades reduciría el riesgo de que cada piloto se convierta en una isla incompatible con el siguiente.
Enseñar con guantes, cámaras y simulación
Landshut capturará información tanto en entornos de producción como en bancos de prueba. Los movimientos y procesos se recrearán primero en simulación, donde resulta más barato probar trayectorias, detectar colisiones y multiplicar variaciones antes de llevar una política a una máquina física.
Para enseñar nuevas habilidades, el equipo recurrirá también al aprendizaje por demostración. Una persona ejecutará la secuencia mientras cámaras, trajes de captura de movimiento y guantes de datos registran el gesto. Después, esa información se transformará en políticas generalizables que el robot pueda aplicar a tareas y configuraciones diferentes.
El método no elimina el trabajo de ingeniería. Una demostración humana contiene movimientos que quizá no sean adecuados para la cinemática, la fuerza o la velocidad de otro cuerpo. Tampoco demuestra por sí sola que una política vaya a mantener precisión durante miles de ciclos. La simulación y los datos sirven para acelerar el desarrollo; las pruebas físicas y la validación siguen siendo las que separan una habilidad interesante de un proceso de producción.
BMW señala como posibles aplicaciones el reconocimiento de objetos y estados, la estimación de posición, la planificación eficiente de movimientos y el agarre preciso de componentes. Son capacidades generales, pero el criterio de selección será muy industrial: tareas donde hagan falta flexibilidad, motricidad fina y comprensión del entorno, especialmente cuando una automatización rígida resulte difícil de justificar.
Athenyx aporta el «intelligence stack»
La planta no desarrollará todo en solitario. BMW colabora directamente con Athenyx Robotics, una startup surgida del Laboratorio de Máquinas-Herramienta e Ingeniería de Producción de la Universidad RWTH de Aquisgrán. Juntos trabajan en un «intelligence stack» que integra percepción, aprendizaje, simulación y decisión.
También participa la Universidad de Ciencias Aplicadas de Landshut en generación de datos, simulación y diseño de casos de uso. Esta combinación sitúa el proyecto cerca de las líneas reales sin obligar a probar cada idea directamente sobre producción activa. BMW explica que las capacidades se ensayarán primero fuera de la línea, pasarán después a pilotos y solo entonces se escalarán por etapas.
Ese orden es una señal de prudencia. La automoción lleva décadas automatizando procesos y sabe que la disponibilidad, la seguridad y el tiempo de ciclo pesan más que una demostración flexible. El valor de Landshut estará en convertir preguntas generales sobre humanoides en comparaciones medibles: qué tarea resuelven, cuántas intervenciones necesitan, cuánto cuesta reentrenarlos y si una habilidad puede migrar a otro cuerpo.
BMW empieza a construir su propia ventaja
En Spartanburg, Figure 02 ya apoyó durante diez meses la producción de más de 30.000 BMW X3. Su sucesor Figure 03 trabaja ahora en un caso logístico más complejo; en Leipzig, AEON abre una segunda ruta con otro diseño y proveedor. Landshut añade la pieza que conecta esas experiencias: una infraestructura interna para aprender de ellas.
Todavía no hay calendario para convertir esta pila en un producto desplegado globalmente ni métricas públicas sobre precisión o ahorro. Tampoco BMW ha identificado una lista definitiva de tareas. La novedad es anterior a esos resultados: el fabricante está organizando datos, simulación y software como una competencia propia, no como algo que deba llegar completamente empaquetado desde una startup.
Si el enfoque funciona, BMW podrá comparar humanoides por el trabajo que hacen sobre una base común y conservar las habilidades aunque cambie el hardware. Esa portabilidad sigue siendo una promesa, pero apunta a una evolución importante: pasar de probar robots llamativos a construir una plataforma industrial capaz de decidir cuáles merecen quedarse.