"Vi skapar en virtuell värld där vi kan placera dessa robotar," uppger företaget. "Tränade i simulering, skalade till den verkliga världen med minimal mänsklig inblandning" .

Träningsmetoden: Sim-to-Real i stor skala

Flexions tekniska metod kretsar kring tre sammanlänkade val:

1. Simuleringsstyrd träning (sim-to-real). Alla robotpolicyer tränas helt och hållet i en virtuell fysiksimulering i massiv skala – upp till 4 000 virtuella robotar som körs samtidigt – och överförs sedan till fysisk hårdvara med noll-inlärningsbar verklig driftsättning . Företaget använder förstärkningsinlärning (RL) där robotarna lär sig själva genom trial-and-error: de agerar, registrerar utfall och justerar sig tills de lyckas . Resultatet är inte ett manus utan en neural nätverkspolicy som mappar perception till handling .

2. Kombination av imitationsinlärning och förstärkningsinlärning. Flexion använder residuell förstärkningsinlärning ovanpå imitationsinlärningsbaslinjer. Det innebär att roboten lär sig grundläggande manipulerings- och förflyttningsfärdigheter från mänsklig demonstrationsdata och sedan använder RL för att anpassa dessa färdigheter till verkliga förhållanden som simulatorn inte perfekt kan modellera . Företaget använder också en "real-to-sim"-loop, där verklig data förfinar simuleringsparametrar för mer verklighetstrogen träning i framtiden .

3. En modulär trelagersarkitektur. Autonomiprogramvaran separerar högnivåresonemang från rörelseplanering från lågnivåkontroll :

• Kommandolager (Resonemang): En stor språkmodell (LLM) eller vision-språk-modell (VLM) agent som tolkar naturliga språkbeskrivningar av uppgifter – som "städa upp kontoret" – delar upp dem i deluppgifter och planerar arbetsflöden i flera steg .
• Rörelsegenereringslager (Planering): En diffusionsbaserad modell som kartlägger robotens avsedda bana och undviker hinder i 3D-rymden .
• Exekveringslager (Reflexer): En RL-baserad helkroppsspårare som utför robust, adaptiv rörelse på den fysiska roboten .

Denna design "separerar avsikt (driven av språk) från genomförbarhet (styrd av fysik), och utnyttjar simulering för motoriska färdigheter och verklig data selektivt" .

Autonoma kontorsuppgifter: Från kommandot till handling

I november 2025 publicerade Flexion en video som visar en humanoidrobot som helt autonomt städar ett kontor från ett enkelt användarkommando – utan manus, förberäknade banor eller mänsklig fjärrstyrning . Den VLM-baserade agenten uppfattade scenen, resonerade kring uppgiften och planerade en heltäckande strategi för objektupplockning och omorganisering . Samma underliggande system har också visats navigera utomhusmiljöer för att autonomt samla in och göra sig av med skräp .

ICRA 2026: Live-valideringen

På International Conference on Robotics and Automation (ICRA 2026), som hölls 9–11 juni 2026, genomförde Flexion en live-autonom humanoiddemonstration. Under 300 försök under tre dagar arbetade robotarna helt autonomt med över 95% framgång och utan mänsklig inblandning . Resultatet bekräftade att sim-to-real-överföringsmetoden fungerar i stor skala i en okontrollerad konferensmiljö – en notoriskt svår miljö för robotdemonstrationer.

Hur Flexion skiljer sig från humanoidrobotikfältet

Viktiga strategiska skillnader:

• Endast mjukvara / plattformslicensmodell. Flexion positionerar sig som ett horisontellt intelligenslager som alla humanoidtillverkare kan licensiera, och undviker explicit den "vertikala integrationsfällan" där företag som Tesla eller Figure måste bygga både hjärnan och kroppen .
• Hårdvaruoberoende generalisering. Genom att träna en programvara på 14 olika humanoidplattformar parallellt görs Flexions hjärna portabel över olika morfologier – i motsats till branschnormen med en robot, en programvara .
• Helt simuleringsbaserad träningsloop. Medan de flesta konkurrenter använder verklig fjärrstyrningsdata för imitationsinlärning, tränar Flexion policyer i simulering i stor skala och överför dem med noll träning till den verkliga världen, vilket kräver minimal verklig datainsamling .

Varningar och öppna frågor

En dedikerad Wired-artikel från juni 2026 som specifikt profilerar Flexions kontorsuppgiftsautonomi hittades inte i tillgängliga sökresultat. Den mest detaljerade demonstrationen av kontorsuppgifter kommer från Flexions eget LinkedIn-inlägg (november 2025) och ICRA 2026-resultatrapporten . Företagets påståenden om att minska installationstiden till "en vecka" och att fungera på 14 plattformar återstår att verifiera i kommersiell skala. Och även om ICRA 2026-resultaten är imponerande, väntar fältet fortfarande på tredjepartsriktmärken som jämför Flexion-drivna robotar head-to-head med vertikalt integrerade konkurrenter i verklig driftsättning.

Flexions satsning är att framtiden för humanoidrobotik kommer att se mindre ut som iPhone – ett tätt integrerat hårdvaru-mjukvarupaket – och mer som Android: ett universellt operativsystem som vilken tillverkare som helst kan anta. Om deras simuleringsstyrda träningsmetod fortsätter att leverera verkliga resultat, kan den satsningen mycket väl löna sig.

"Vi skapar en virtuell värld där vi kan placera dessa robotar," uppger företaget. "Tränade i simulering, skalade till den verkliga världen med minimal mänsklig inblandning" .

Träningsmetoden: Sim-to-Real i stor skala

Flexions tekniska metod kretsar kring tre sammanlänkade val:

1. Simuleringsstyrd träning (sim-to-real). Alla robotpolicyer tränas helt och hållet i en virtuell fysiksimulering i massiv skala – upp till 4 000 virtuella robotar som körs samtidigt – och överförs sedan till fysisk hårdvara med noll-inlärningsbar verklig driftsättning . Företaget använder förstärkningsinlärning (RL) där robotarna lär sig själva genom trial-and-error: de agerar, registrerar utfall och justerar sig tills de lyckas . Resultatet är inte ett manus utan en neural nätverkspolicy som mappar perception till handling .

2. Kombination av imitationsinlärning och förstärkningsinlärning. Flexion använder residuell förstärkningsinlärning ovanpå imitationsinlärningsbaslinjer. Det innebär att roboten lär sig grundläggande manipulerings- och förflyttningsfärdigheter från mänsklig demonstrationsdata och sedan använder RL för att anpassa dessa färdigheter till verkliga förhållanden som simulatorn inte perfekt kan modellera . Företaget använder också en "real-to-sim"-loop, där verklig data förfinar simuleringsparametrar för mer verklighetstrogen träning i framtiden .

3. En modulär trelagersarkitektur. Autonomiprogramvaran separerar högnivåresonemang från rörelseplanering från lågnivåkontroll :

• Kommandolager (Resonemang): En stor språkmodell (LLM) eller vision-språk-modell (VLM) agent som tolkar naturliga språkbeskrivningar av uppgifter – som "städa upp kontoret" – delar upp dem i deluppgifter och planerar arbetsflöden i flera steg .
• Rörelsegenereringslager (Planering): En diffusionsbaserad modell som kartlägger robotens avsedda bana och undviker hinder i 3D-rymden .
• Exekveringslager (Reflexer): En RL-baserad helkroppsspårare som utför robust, adaptiv rörelse på den fysiska roboten .

Denna design "separerar avsikt (driven av språk) från genomförbarhet (styrd av fysik), och utnyttjar simulering för motoriska färdigheter och verklig data selektivt" .

Autonoma kontorsuppgifter: Från kommandot till handling

I november 2025 publicerade Flexion en video som visar en humanoidrobot som helt autonomt städar ett kontor från ett enkelt användarkommando – utan manus, förberäknade banor eller mänsklig fjärrstyrning . Den VLM-baserade agenten uppfattade scenen, resonerade kring uppgiften och planerade en heltäckande strategi för objektupplockning och omorganisering . Samma underliggande system har också visats navigera utomhusmiljöer för att autonomt samla in och göra sig av med skräp .

ICRA 2026: Live-valideringen

På International Conference on Robotics and Automation (ICRA 2026), som hölls 9–11 juni 2026, genomförde Flexion en live-autonom humanoiddemonstration. Under 300 försök under tre dagar arbetade robotarna helt autonomt med över 95% framgång och utan mänsklig inblandning . Resultatet bekräftade att sim-to-real-överföringsmetoden fungerar i stor skala i en okontrollerad konferensmiljö – en notoriskt svår miljö för robotdemonstrationer.

Hur Flexion skiljer sig från humanoidrobotikfältet

Viktiga strategiska skillnader:

• Endast mjukvara / plattformslicensmodell. Flexion positionerar sig som ett horisontellt intelligenslager som alla humanoidtillverkare kan licensiera, och undviker explicit den "vertikala integrationsfällan" där företag som Tesla eller Figure måste bygga både hjärnan och kroppen .
• Hårdvaruoberoende generalisering. Genom att träna en programvara på 14 olika humanoidplattformar parallellt görs Flexions hjärna portabel över olika morfologier – i motsats till branschnormen med en robot, en programvara .
• Helt simuleringsbaserad träningsloop. Medan de flesta konkurrenter använder verklig fjärrstyrningsdata för imitationsinlärning, tränar Flexion policyer i simulering i stor skala och överför dem med noll träning till den verkliga världen, vilket kräver minimal verklig datainsamling .

Varningar och öppna frågor

En dedikerad Wired-artikel från juni 2026 som specifikt profilerar Flexions kontorsuppgiftsautonomi hittades inte i tillgängliga sökresultat. Den mest detaljerade demonstrationen av kontorsuppgifter kommer från Flexions eget LinkedIn-inlägg (november 2025) och ICRA 2026-resultatrapporten . Företagets påståenden om att minska installationstiden till "en vecka" och att fungera på 14 plattformar återstår att verifiera i kommersiell skala. Och även om ICRA 2026-resultaten är imponerande, väntar fältet fortfarande på tredjepartsriktmärken som jämför Flexion-drivna robotar head-to-head med vertikalt integrerade konkurrenter i verklig driftsättning.

Flexions satsning är att framtiden för humanoidrobotik kommer att se mindre ut som iPhone – ett tätt integrerat hårdvaru-mjukvarupaket – och mer som Android: ett universellt operativsystem som vilken tillverkare som helst kan anta. Om deras simuleringsstyrda träningsmetod fortsätter att leverera verkliga resultat, kan den satsningen mycket väl löna sig.