AnswersPublished30 sources
In Hyundai’s RMAC leert Atlas hoe autologistiek in de praktijk werkt
RMAC is Hyundai’s trainings en validatiecentrum in Georgia, waar Atlas onderdelen leert sequencen voordat de robot volgens de planning in 2028 op de productievloer van HMGMA aan de slag gaat.[35][44] De training combineert autonome waarneming en manipulatie met menselijke begeleiding via een VR headset of tablet, pl...
Gepubliceerd doorBewerkt met GPT-5.6 TerraAfbeeldingen gegenereerd met GPT Image 2
Research answer
Key takeaways
- RMAC is Hyundai’s trainings en validatiecentrum in Georgia, waar Atlas onderdelen leert sequencen voordat de robot volgens de planning in 2028 op de productievloer van HMGMA aan de slag gaat.[35][44]
- De training combineert autonome waarneming en manipulatie met menselijke begeleiding via een VR headset of tablet, plus reinforcement learning in simulaties.[4][5]
- Onderdelen sequencen is een afgebakende eerste toepassing, maar vraagt nog altijd betrouwbare beeldherkenning, veilig grijpen, volledige lichaamscontrole en koppeling met fabrieksprocessen.[10][12]
AI Prompt
openai.comCreate a landscape editorial hero image for this Studio Global article: How is Boston Dynamics’ new Robotics Metaplant Application Center at Hyundai Motor Group Metaplant America near Savannah training Atlas huma. Article summary: RMAC is intended to turn Atlas from a promising humanoid demonstration into a repeatable industrial system: operators teach task fragments, simulation expands the range of situations the robot can handle, and the resulti. Topic tags: general, general web. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, charts with fake numbers, clic
Hyundai’s Robotics Metaplant Application Center (RMAC) in Georgia moet de stap verkleinen tussen een indrukwekkende humanoïde robot en een betrouwbaar fabrieksproces. Boston Dynamics en Hyundai beginnen met onderdelenlogistiek en -sequencing: Atlas leert daar werkzaamheden in omstandigheden die op een echte fabriek lijken, voordat de robot breder wordt ingezet.35
36
De eerste opdracht: onderdelen in de juiste volgorde klaarzetten
Atlas begint met onderdelen sequencen. Op een assemblagelijn worden vaak verschillende automodellen en uitvoeringen door elkaar gebouwd. Monteurs hebben dus per auto precies het juiste onderdeel nodig, op precies het juiste moment. Sequencing is het voorbereidende logistieke werk waarbij die onderdelen in de benodigde volgorde worden klaargezet.10
In een getoonde toepassing verplaatst Atlas autonoom motorkappen van leverancierscontainers naar een mobiele sequencingwagen. De robot krijgt informatie over de locaties van bakken, lokaliseert bakken en voorzieningen met machine-learning-vision, gebruikt een specifiek grijpbeleid en schat voortdurend de toestand in van het object dat hij vasthoudt.9
Volgens Hyundai leert RMAC robots ook samenwerken met mensen door bewegingen — zoals tillen, draaien en herstellen van een onbalans — om te zetten in trainingsdata voor repetitieve en complexe taken. Het centrum verzamelt gedragsdata, test systemen en verifieert ze voordat commerciële productie begint.36
42
Drie lagen in de training
Atlas wordt niet met één enkele methode getraind. De aanpak combineert menselijke begeleiding, simulatie en praktijktests.
1. Demonstraties en bediening op afstand
Atlas kan autonoom werken, maar operators kunnen de robot ook besturen met een VR-headset of een tabletcontroller. Daarmee kunnen zij bewegingen voordoen, ingrijpen bij onbekende taken en voorbeelden leveren voor de ontwikkeling van nieuw gedrag. Niet elke beweging hoeft dus vooraf handmatig te worden geprogrammeerd.4
Dat is vooral nuttig bij manipulatie van onderdelen: een geslaagde handeling hangt niet alleen af van de greep, maar ook van de lichaamshouding van de robot, het contact met het object en de precieze inrichting van de werkcel.
2. Reinforcement learning in simulaties
Boston Dynamics beschrijft hoe Atlas voor het tillen van zware objecten leert uit een zeer groot aantal gesimuleerde variaties. In het voorbeeld van een koelkast leert de robot niet louter één vaste tilbeweging na te doen, maar zich aan te passen aan verschillen die hij in de echte wereld kan tegenkomen.5
Voor autologistiek is die variatie breder dan alleen het onderdeel. Bakken, houders, de ligging van objecten en de werkomstandigheden kunnen verschillen. Simulatie stelt het team in staat om een gedragsmodel met veel meer situaties te laten oefenen voordat het op de fysieke robot wordt toegepast.
3. Validatie in een fabriekachtige omgeving
Simulatie is waardevol, maar de doorslaggevende vraag is of een robotgedrag ook consequent werkt in een productieomgeving. RMAC is bedoeld als die laatste validatiestap: een plek waar toepassingen worden ontwikkeld, data wordt verzameld, prestaties worden getest en gedrag wordt verfijnd voordat Atlas op productielijnen van Hyundai terechtkomt.36
42
Waarom ‘oppakken en neerzetten’ niet simpel is
Een onderdeel van de ene bak naar de andere brengen klinkt eenvoudig. In een echte fabriek is het echter een mobiel manipulatieprobleem waarin meerdere eisen tegelijk samenkomen.
- Waarneming moet de context begrijpen. Atlas moet niet alleen de vorm van een object herkennen, maar ook begrijpen welke rol het in zijn omgeving heeft. Glimmende metalen onderdelen of donkere onderdelen met weinig contrast kunnen zelfs bij een ogenschijnlijk simpele taak lastig te herkennen zijn.
12
- Alleen goed grijpen is niet genoeg. Bij zware of onhandige objecten moet de robot rekening houden met massa en traagheid, zich waar nodig afsteunen en zijn hele lichaam beheersen — niet alleen zijn handen gebruiken.
- Werk bestaat uit lange reeksen handelingen. De robot moet mogelijk een werkopdracht interpreteren, een bak vinden, het juiste onderdeel herkennen, het veilig oppakken, naar de bestemming lopen, het nauwkeurig plaatsen en afwijkingen of fouten opvangen. Boston Dynamics ontwikkelt hiervoor taalgestuurde Large Behavior Models voor manipulatie over langere handelingsreeksen.
- Inpassing in de fabriek telt mee. Atlas is ontworpen voor onder meer barcodescanning en integratie met werkprocessen. Maar een fabriek vraagt ook voorspelbare uitvoering en weinig toezicht — niet alleen een geslaagde demonstratie in gecontroleerde omstandigheden.
Van losse proef naar een herhaalbare gedragspijplijn
De belangrijke verandering achter RMAC is niet alleen technisch, maar ook organisatorisch. Eerdere Atlas-demonstraties lieten afzonderlijke vaardigheden zien. RMAC is opgezet als een blijvend systeem om robotgedrag te ontwikkelen, evalueren en over te dragen: operationele data verzamelen, gedrag ontwerpen en testen, het in een realistische omgeving valideren en vervolgens opnieuw gebruiken.
Boston Dynamics stelt dat een nieuwe vaardigheid die één Atlas leert, binnen een Atlas-vloot kan worden uitgerold en dat taken op schaal kunnen worden aangepast en opnieuw ingezet.1
6 Hyundai omschrijft RMAC vergelijkbaar als onderdeel van een end-to-end-keten voor AI-robotica, waarin trainingsdata worden gekoppeld aan testen en verificatie.
36
Dat betekent niet dat elk gedrag zonder aanpassingen tussen fabrieken overdraagbaar is. Wel verschuift het doel: van een maatwerkexperiment per locatie naar een herbruikbaar pakket aan robotvaardigheden dat gaandeweg kan verbeteren.
De planning voor uitrol
RMAC begon in september 2026 met volledige activiteiten, na een pilotperiode. Het centrum fungeert als testomgeving voordat Atlas bij productielocaties van Hyundai wordt ingezet.33
35
Hyundai maakt onderscheid tussen de trainingsfase en werk op de productievloer. Atlas moet volgens de gepubliceerde routekaart in 2028 beginnen bij Hyundai Motor Group Metaplant America (HMGMA), aanvankelijk met onderdelen sequencen. Verslaggeving over de plannen wijst op een gefaseerde uitbreiding naar andere locaties en uiteindelijk naar assemblagewerk van componenten.26
44
Hyundai heeft bovendien de ambitie uitgesproken om meer dan 25.000 Atlas-robots in fabrieken van Hyundai en Kia in te zetten en om tegen 2028 een jaarlijkse productiecapaciteit van circa 30.000 robots te bereiken. Dit zijn aangekondigde plannen en capaciteitsdoelen, geen bewijs dat er nu al zo’n geïnstalleerde vloot bestaat.26
27
Komt Atlas ook naar de Tsjechische Hyundai-fabriek?
Hyundai Motor Manufacturing Czech in Nošovice bespreekt volgens recente berichtgeving een mogelijke inzet van Atlas met Boston Dynamics en het hoofdkantoor van Hyundai. Er is nog geen datum bekendgemaakt voor tests op actieve productielijnen of voor een commerciële uitrol.18
19
Een Europese proef zou meer toetsen dan alleen de capaciteiten van de robot. In de berichtgeving worden personeelstekorten genoemd als een deel van de aanleiding, terwijl acceptatie door werknemers, veiligheid, kwaliteit en inpassing in bestaande werkprocessen centrale vragen blijven.19
21
De conclusie op korte termijn is helder: Georgia is het belangrijkste trainingscentrum, onderdelen sequencen is de eerste praktische toepassing, en RMAC wordt uiteindelijk beoordeeld op één maatstaf — of Atlas-gedrag betrouwbaar en herhaalbaar wordt in echte fabrieksoperaties, niet alleen in demonstraties.
Studio Global AI
Continue your research
This page includes a source-backed answer you can continue inside Studio Global.
People also ask
What is the short answer to "In Hyundai’s RMAC leert Atlas hoe autologistiek in de praktijk werkt"?
RMAC is Hyundai’s trainings en validatiecentrum in Georgia, waar Atlas onderdelen leert sequencen voordat de robot volgens de planning in 2028 op de productievloer van HMGMA aan de slag gaat.[35][44]
What are the key points to validate first?
RMAC is Hyundai’s trainings en validatiecentrum in Georgia, waar Atlas onderdelen leert sequencen voordat de robot volgens de planning in 2028 op de productievloer van HMGMA aan de slag gaat.[35][44] De training combineert autonome waarneming en manipulatie met menselijke begeleiding via een VR headset of tablet, plus reinforcement learning in simulaties.[4][5]
What should I do next in practice?
Onderdelen sequencen is een afgebakende eerste toepassing, maar vraagt nog altijd betrouwbare beeldherkenning, veilig grijpen, volledige lichaamscontrole en koppeling met fabrieksprocessen.[10][12]