Sim-to-real gap: Jak NEURA a Dassault mění fyziku robotů

Každý, kdo sleduje vývoj humanoidních robotů, zná ten okamžik zklamání: robot v simulaci zvládne úkol s elegancí, pak ho nasadíte do reálné továrny a hned první nepředvídaná vibrace podlahy nebo špatně osvětlený díl způsobí selhání. Tento jev má v oboru ustálený název — sim-to-real gap — a jeho překonání je dnes pravděpodobně největší technická překážka na cestě k průmyslovému nasazení humanoidů ve skutečném měřítku. V dubnu 2026 oznámily NEURA Robotics a Dassault Systèmes partnerství, jehož přesným cílem je tento problém systematicky odstranit. Nejde o marketingové cvičení — jde o inženýrský problém, který konečně dostává platformové řešení.

---

Co vlastně sim-to-real gap je a proč je tak tvrdohlavý

Zkratkovitě řečeno: simulace je vždy idealizovaný model reality. Fyzikální engine nikdy dokonale nevystihne tření konkrétního povrchu, aktuátory v reálném hardwaru vykazují nelinearity, které se model jen přibližuje, a kontaktní dynamika — tedy to, co se děje v okamžiku, kdy se robotická ruka dotkne objektu — je výpočetně extrémně nákladná na přesné modelování. Výzkum prezentovaný na NeurIPS pod názvem SimLifter a framework GAPONet kvantifikoval tento problém na třech různých humanoidních platformách a ukázal, že bez explicitního přemostění gapu klesá přesnost sledování pohybu až o 50 % při maximálním zatížení. GAPONet dokázal přesnost zlepšit o více než 40 % napříč všemi klouby — a to zero-shot, tedy bez dodatečného trénování na cílové platformě. To je impresivní číslo, ale zároveň ukazuje, jak velký prostor pro zlepšení stále existuje.

NEURA Robotics, německá firma z Metzingenu, na tento problém nahlíží přes vlastní koncept: Neura Gyms. Jsou to fyzická tréninková prostředí, kde operátoři v senzorových oblecích doslova „vstupují do těla" robota — teleoperací mu předvádějí pohyby v reálném světě a zároveň generují data, která jde zpětně použít pro trénink AI. Jak David Reger v rozhovoru pro McKinsey vysvětluje: „To close this gap, you need robotic intelligence." Neura Gyms jsou tedy hybridní řešení — kombinace fyzické datové sběrnice a trénovacího zařízení.

---

Co přináší 3DEXPERIENCE a proč platforma, ne jen nástroj

Dassault Systèmes do partnerství vstupuje s platformou 3DEXPERIENCE — virtuálním twin ekosystémem, který firma buduje pro automobilový průmysl a výrobu přes dvě dekády. Síla platformy spočívá v tom, že virtuální dvojče továrny není statický model: jde o živé prostředí, kde lze simulovat výrobní scénáře, identifikovat úzká místa a nyní — po integraci fyzické AI — i predikovat chování humanoidních robotů a AMR přímo v kontextu konkrétní výrobní linky.

Partnerství přináší end-to-end workflow přes celý robotický životní cyklus:

• Design a plánování — virtuální twin továrny, workflow i produktového prostředí
• Trénink a validace — robotické dovednosti se trénují paralelně v Neura Gyms i v syntetickém prostředí 3DEXPERIENCE
• Nasazení — validované dovednosti se přenáší přímo do reálných robotů NEURA v terénu
• Kontinuální zlepšování — provozní data se vracejí do obou prostředí a uzavírají smyčku

V první fázi bude do ekosystému integrován humanoidní robot 4NE-1 („For Anyone"), s tím, že další form faktory z portfolia NEURA — robotická ramena, mobilní roboti — mají následovat. Tato postupnost je chytrá: 4NE-1 je nejkomplexnější platforma a její úspěšná integrace vytvoří referenční architekturu pro ostatní.

Na Hannover Messe 2026 Dassault Systèmes demonstroval další vrstvu: integraci NVIDIA Isaac Sim knihoven přímo do virtuálního prostředí, s cílem zpřesnit fyzikální simulaci právě v těch aspektech, kde tradiční CAD-based modely selhávají. NVIDIA Isaac Sim je v oboru de facto standardem pro robotický trénink, takže tato trojková koalice — NEURA, Dassault, NVIDIA — tvoří technologický zásobník, který pokrývá od fyziky přes AI trénink až po hardwarové nasazení.

---

Proč to není jen výzkumný projekt: ekosystém a škálovatelnost

NEURA Robotics buduje partnerskou síť, která přesahuje jedinou technologickou osu. Spolupráce s Qualcomm Technologies přidává edge AI vrstvu — Qualcomm zdůrazňuje požadavky na real-time odezvu a funkční bezpečnost při on-device inferenci, což jsou přesně ty podmínky, které simulace nedokáže plně replikovat a kde sim-to-real gap bolí nejvíce. Schaeffler vstupuje jako technologický partner i investor s mechanikou a aktuátory, Bosch přispívá softwarovým stackem. Série C ve výši až 1,4 miliardy dolarů pak signalizuje, že trh těmto ambicím věří — nebo alespoň sází na to, že NEURA je dostatečně daleko od čistého výzkumu.

Co je na partnerství s Dassault Systèmes strategicky zajímavé, je datový argument. Jedním z deklarovaných cílů je „dramatically increase data generation for robotics AI". To je klíčové: největší omezení dnešního robotického tréninku není výpočetní výkon, ale nedostatek kvalitních, různorodých trénovacích dat v reálném průmyslovém kontextu. Syntetická data ze simulací jsou levná a škálovatelná, ale mají systematické odchylky. Kombinace syntetiky s fyzickými daty z Neura Gyms — obojí zaznamenané a anotované v unifikované platformě — by mohla tento bottleneck posunout. Pokud 3DEXPERIENCE funguje jako datová páteř, každé nasazení robota v reálné továrně generuje data, která zlepšují simulaci pro další generaci trénování.

Inženýrsky vzato jde o closed-loop learning systém: simulace trénuje robota, robot operuje v realitě, realita koriguje simulaci. Tato smyčka sama o sobě není nová myšlenka — ale její realizace v průmyslovém měřítku, přes standardizovanou platformu dostupnou výrobcům třetích stran, by byla skutečná novinka.

---

Výhled: platforma nebo uzavřený ekosystém?

Partnerství NEURA a Dassault Systèmes formuluje ambiciózní cíl: „make intelligent robotics accessible, trainable, and deployable for any industry through an open and scalable platform model." Slovo „open" je zde důležité — a zároveň nejméně definované. Průmysloví zákazníci budou sledovat, nakolik bude platforma skutečně otevřená pro integraci jiných robotických platforem a AI stacků, nebo zda se stane dalším vendor lock-in ekosystémem.

Technologicky je architektura přesvědčivá a ekosystém partnerů silný. Reálná zkouška přijde, až bude 4NE-1 nasazen v produkčních podmínkách mimo kontrolované demo prostředí — a loop mezi Neura Gyms, 3DEXPERIENCE a reálným provozem začne generovat data v průmyslovém měřítku. To je moment, kdy zjistíme, jestli sim-to-real gap byl skutečně přemostěn, nebo jen elegantně překryt.

Otázka, která zůstává otevřená: dokáže platformový přístup překonat fragmentaci robotického trhu rychleji, než ji způsobí?