Wir bauen die KI, die Physical AI trainiert.
Aimrika entwickelt Etalonis — die Simulationsumgebung, eine Sandbox für die digitalen Zwillinge der Roboter von morgen, in der autonome KI in großem Maßstab entwickelt, getestet und validiert wird, bevor sie jemals in der realen Welt operiert. Etalonis ist das Flaggschiff. Vertrauenswürdige Autonomie ist das Produkt.
Vertrauenswürdige Physical AI lässt sich nicht allein in der realen Welt entwickeln.
Roboter, Drohnen und autonome Fahrzeuge brauchen Millionen von Erfahrungen, um zuverlässig zu werden — doch die reale Welt kann diese nicht sicher, kostengünstig oder schnell genug liefern. Die Systeme, die am häufigsten getestet werden müssen, sind genau jene, die am schwersten und risikoreichsten zu betreiben sind.
01 Reale Tests sind langsam und teuer
Jeder reale Testlauf eines Roboters oder Fahrzeugs kostet Zeit, Hardware und Ingenieuraufwand — man kann nur eine Handvoll Iterationen pro Tag durchführen.
02 Sicherheit begrenzt Live-Tests
Man kann sich kein zuverlässiges autonomes System durch Unfälle erarbeiten. Die Verhaltensweisen, die eine Maschine wirklich autonom machen, sind genau jene, die sich am schwersten sicher einüben lassen.
03 Die reale Welt bietet keine Skalierung
Physical AI muss den gesunden Menschenverstand der Welt lernen — Schwerkraft, Trägheit, Objektpermanenz, Kausalität — unter Bedingungen, die kein Live-Programm reproduzieren kann.
04 Edge Cases sind entscheidend
Seltenes Wetter, Sensorausfälle, unerwartete Hindernisse — die Situationen, die am meisten zählen, sind genau jene, die man sich in der Realität am wenigsten leisten kann zu inszenieren.
Etalonis — die Sandbox, in der Physical AI gebaut und bewiesen wird.
Wir verlagern die Erfahrung in die Simulation und belassen nur das absolut Notwendige in der realen Welt. Eine hochpräzise Entwicklungs-, Test- und Validierungsumgebung, die täglich Tausende von Szenarien ausführt — und derselbe KI-Agent, der Etalonis besteht, läuft unverändert auf der echten Edge-Hardware der echten Maschine.
Trainieren
Der Agent lernt wahrzunehmen, zu navigieren, zu handeln, sich zu erholen und sich anzupassen — über Wetter, Gelände, Licht, Sensorrauschen und induzierte Ausfälle hinweg.
Proben
Die genaue Aufgabe — Umgebung, Route, Objekte, Bedingungen — wird standardmäßig in der Sandbox durchgeführt. Ein echter Generalprobe, ohne Risiko, ohne Kosten.
Koordinieren
Flotten von Robotern, Drohnen und Fahrzeugen lernen als Team zu operieren — die Multi-Agent-Probe, die die reale Welt selten leisten kann.
Validieren
Jedes Verhalten wird gegen ein Referenzsystem auf identischen Szenarien und identischer Physik verglichen — das Etalon.
Einsetzen
Der validierte Agent läuft auf der echten Maschine. Der reale Einsatz bestätigt; er entdeckt nicht erst.
Und der Kreis schließt sich. Jeder Agent, der Etalonis besteht, hinterlässt validiertes Verhalten — Szenarien, Edge Cases und Referenzläufe —, das zu Trainingsdaten und zum Maßstab für die nächste Maschine wird, die wir validieren. Jede Validierung macht die nächste schneller und fundierter: KI, die hilft, die nächste Physical AI zu trainieren — durch wiederholbare Validierung und Wiederverwendung.
Drei Dinge, in Reihenfolge — nicht nur ein Simulator.
Etalonis endet nicht beim Ausführen eines Szenarios. Es produziert die Umgebung, den Beweis und die validierte Software, die am Ende real im Feld läuft — in dieser Reihenfolge, jedes Mal.
Die Simulations- und Validierungsumgebung
Eine plattformunabhängige Sandbox digitaler Zwillinge, die täglich Tausende realistischer Szenarien ausführt — heute verfügbar. Jede Änderung — ein neuer Sensor, ein neu trainiertes Modell, ein Software-Update — wird zuerst hier ausgeführt, in einem Maßstab, den kein physisches Testprogramm erreichen kann.
Validierte Software + eine erprobte Hardware-Konfiguration
Etalonis bewertet einen Lauf nicht nur — es produziert validierte, einsatzbereite Software und sagt Ihnen genau, auf welcher Edge-KI-Hardware-Konfiguration sie laufen soll: gebenchmarkt und bereit, unverändert auf der echten Maschine eingesetzt zu werden.
Die Maschine selbst
Fluggeräte heute; Boden- und maritime Roboter als Nächstes — mit Software, die bereits bewiesen wurde, nicht nur vermutet.
Nachweise, mit denen Integratoren und Behörden arbeiten können.
Roboter, Fahrzeuge, Schiffe und Luftfahrzeuge, die in der Nähe von Menschen arbeiten, brauchen den Nachweis, dass ihre KI auf der Hardware, auf der sie tatsächlich läuft, genau und robust ist. Die Regeln für diesen Nachweis werden gerade geschrieben. Jeder Validierungslauf in Etalonis ist darauf ausgelegt, ihn zu erzeugen, nach den einschlägigen Teilen dieser Normen. Wir folgen ihnen; eine Zertifizierung danach beanspruchen wir nicht.
| Norm | Wie wir sie nutzen |
|---|---|
| Maschinenverordnung (EU) 2023/1230 (gilt ab 20. Januar 2027) und EN ISO 10218-2:2025 | Die Anforderungen an KI-gestützte Maschinen und kollaborative Roboteranwendungen. Integratoren müssen zeigen, dass ihre KI die Leistung erbringt; wir erzeugen diesen Nachweis. |
| ISO/IEC TR 5469 | KI wird nicht als Sicherheitsfunktion deklariert. Der Personenschutz bleibt bei zertifizierten Sicherheitseinrichtungen; unsere Detektoren liefern die Nachweise zu Erkennungsrate und Latenz. Nachweis, keine Zertifizierung. |
| AI Act Art. 15 | Anforderungen an Genauigkeit und Robustheit von KI-Systemen, gemessen je Modell und je Hardware-Stufe. |
| prEN 18281 (Entwurf) | Bewertung der Genauigkeit von Computer-Vision-Systemen. Den Teilen zur Objekterkennung folgen wir bereits heute. |
| prEN 18229-4 / -5 (Entwurf) | Genauigkeit und Robustheit von KI-Systemen. |
| ISO/IEC TR 24029-1 | Bewertung der Robustheit neuronaler Netze. |
| ISO/IEC 5338 und ISO/IEC 5259 | Lebenszyklus von KI-Systemen und Datenqualität, in ihren einschlägigen Teilen für Verifikation und Datenqualität befolgt. |
| MLPerf-Inference-Methodik (Edge) | Unsere Bewertungsdisziplin: ein festes Referenzmodell, ein fester Testdatensatz und eine Untergrenze für den Genauigkeitserhalt. Keine MLPerf-Einreichung. |
Dieselbe Logik gilt in der Luftfahrt. Nach der EU-Drohnenverordnung (2019/947) benötigt eine Drohne über 25 kg, oder eine, die außerhalb der Sichtweite, über 120 m oder über Menschen fliegt, eine vollständige Risikobewertung (SORA) und, im oberen Bereich, eine EASA-Designverifikation. Eine einzige Softwareänderung durch viele echte Flüge zu beweisen, ist langsam und oft gar nicht zulässig, bevor der erste Flug genehmigt ist. Etalonis ist dafür ausgelegt, diese Iterationen zuerst in einem digitalen Zwilling auszuführen und den Nachweis dabei aufzuzeichnen.
Die technische Grundlage existiert bereits.
Etalonis ist kein Konzept — es ist laufende Infrastruktur: eine Validierungsleiter von der Simulation über Software-in-the-Loop bis zu Hardware-in-the-Loop auf produktiver Edge-Hardware, in der jeder Lauf gegen ein Referenzergebnis bewertet wird. Zuerst auf einer Luftfahrtplattform bewiesen, gilt dieselbe Methode für Boden-, maritime und Industrieroboter.
| Fähigkeit | Was das in der Praxis bedeutet |
|---|---|
| Lücke zwischen Host und Gerät, gemessen | Dieselbe Bewertung läuft auf dem Trainingsrechner und auf dem Edge-Gerät, sodass der Genauigkeitsverlust dazwischen eine gemessene Zahl ist, keine Hoffnung. |
| Stack-übergreifendes Benchmarking | Jedes Modell wird über Größen, Architekturgenerationen, Geräte und Software-Stacks (TensorRT/DeepStream, ONNX Runtime) hinweg verglichen. Ein externer ROS-2-/Docker-Autonomie-Stack wurde auf unserer eigenen Jetson-Hardware gebenchmarkt. |
| Plattformunabhängig | Zuerst auf einer Luftfahrtplattform gebaut; dieselbe Methodik und Edge-Compute-Architektur gelten für Boden-, maritime und Industrieroboter. |
| Hardware-Right-Sizing | Wir validieren nicht nur die KI — wir sagen Ihnen auch, worauf sie laufen soll. Jede Workload wird der günstigsten und sparsamsten Hardware-Stufe zugeordnet, die ihre Leistungsanforderung noch erfüllt — von einem Raspberry Pi 5 über die komplette NVIDIA-Jetson-Familie bis zu Rechenleistung der NVIDIA-DGX-Spark-Klasse —, statt jede Maschine zu überdimensionieren. |
Auf der Roadmap, noch nicht demonstriert: visuelle Ortserkennung (Lokalisierung anhand dessen, was die Maschine sieht, ohne Satellitenpositionierung) und Multi-Agent-Proben im Flottenmaßstab.
Die drei Computer der Physical AI.
Physical AI steht auf drei Computern: einem zum Trainieren des Modells, einem zum Simulieren der Welt und einem zum Ausführen von Inferenz am Edge. Wir bauen den, der am meisten zählt, wenn man in der Realität nicht iterieren kann — den Simulationscomputer — und machen ihn zur Validierungsinstanz.
Trainieren
Die KI wird auf handelsüblichen GPUs trainiert — die KI-Fabrik, die Daten und Erfahrung in Fähigkeiten umwandelt.
Simulieren — Etalonis
Das Weltmodell und die Sandbox, in der der Agent Tausende von Leben in digitalen Zwillingen lebt. Hier wird der Agent in einem Maßstab und mit einer Geschwindigkeit gebaut und validiert, die die reale Welt nicht erreichen kann — und wir fügen hinzu, was allgemeine Weltmodelle fehlt: eine Validierungsinstanz.
Das bauen wirInferenz am Edge
Der validierte Agent läuft auf einem Edge-Modul an Bord der echten Maschine — Wahrnehmung zu Entscheidung zu Aktion in Echtzeit, auf dem Gerät, ohne Cloud und ohne Operator. Eine durchgängige Pipeline (PyTorch → ONNX → TensorRT FP16) bringt ein Modell vom Training bis in den Einsatz, gebenchmarkt über eine Bandbreite von Edge-KI-Hardware.
Wenn Autonomie Software ist, folgt sie dem Software-Lebenszyklus.
Das Verhalten programmieren, es in der Simulations-Sandbox proben, gegen das Etalon validieren und erst dann einsetzen — genau der Lebenszyklus, den Software bereits hat. Etalonis ist die Entwicklungsumgebung für Physical AI.
| Software-Lebenszyklus | Was wir ermöglichen — Autonomie als Code |
|---|---|
| Code schreiben | Verhalten programmieren — Aufgabe und Handlungsablauf |
| Test in CI / Sandbox | Proben in der Simulations-Sandbox — der Trockenlauf |
| Review-Gate | Validierung gegen das Etalon — den Goldstandard |
| Deploy in Produktion | Einsatz auf der echten Maschine |
| Laufzeit & Observability | Live-Edge-Inferenz, Telemetrie und Bewertung |
Eine Engine. Ein Flaggschiff, seine digitalen Zwillinge und die Anwendungen.
Etalonis
Die Simulationsumgebung — die digitale Zwillingsplattform für Physical AI. Autonomie in großem Maßstab trainieren, proben, koordinieren und validieren, dann unverändert am Edge einsetzen.
Hochpräzise Zwillinge
Fotorealistische, physikgenaue Zwillinge von Robotern, Drohnen, Bodenfahrzeugen und Schiffen — damit die KI an Bord vieler Maschinen gemeinsam trainiert, synchronisiert und validiert werden kann, lange vor dem echten Einsatz.
Autonomie branchenübergreifend
Eine Engine für Inspektion, Logistik, Mobilität, Landwirtschaft, Kartierung, Maritime, Energie und Such- und Rettungseinsätze — überall dort, wo autonome Maschinen eigenständig handeln müssen.
Beweisen, nicht behaupten.
Keine Fähigkeit gilt als „fertig", bis sie ein Referenzsystem reproduzierbar übertrifft. Ein reifes Referenzsystem führt die Aufgabe auf identischen Szenarien unter identischer Physik aus; sein Ergebnis ist die erreichbare Obergrenze. Der Agent führt dann dieselbe Aufgabe aus — und weil alles außer wer handelt konstant gehalten wird, ist jeder Unterschied rein dem Agenten zuzuschreiben. Etalonis ist nach diesem Standard benannt — dem Étalon, der Referenz, an der alles gemessen wird.
- Die Simulation ist die Autorität, nicht die Demo. Etalonis ist der Ort, an dem Autonomie gebaut und validiert wird; die reale Welt bestätigt es.
- Eine einzige Quelle der Wahrheit. Jedes Verhalten, jeder Benchmark und jede Entscheidung ist nachvollziehbar — Vertrauen wird durch Auditierbarkeit verdient.
- Ehrlich per Design. Dieselbe Bewertung läuft in der Simulation, auf dem Host und auf dem Edge-Gerät, sodass die Lücken dazwischen gemessen, nicht versteckt werden. Wir liefern nie, was wir nicht gemessen haben.
Volodymyr Levykin
Volodymyr war Gründer und CEO von Skyrora, dem britischen Orbital-Raumfahrtunternehmen, bis zu dessen Verkauf im Jahr 2024 — einem Deep-Tech-Unternehmen, das Raketentriebwerke und Trägersysteme in Großbritannien und Europa entworfen, gebaut und getestet hat, unterstützt von der ESA und der UK Space Agency, mit Projektarbeit im EU-weiten Forschungsprogramm MADE-3D (Horizon Europe GA 101091911). Seine Karriere widmete er der Überführung anspruchsvoller Ingenieursleistungen in einsatzbereite Systeme.
Aimrika setzt diese Mission an einer neuen Frontier fort: autonomen Maschinen die Proving Ground zu geben, die sie brauchen, um als vertrauenswürdig zu gelten. Die Überzeugung ist dieselbe — echte Fähigkeit, ehrlich aufgebaut, bewiesen bevor sie ausgeliefert wird.
Ein wachsendes Team von IT- und KI-Spezialisten.
Aimrika baut ein fünfköpfiges technisches Team auf, einschließlich des Gründers. Dies sind die Rollen, die wir aufbauen.
| Rolle | Schwerpunkt |
|---|---|
| Gründer & CEO | Technische Leitung und Projektführung |
| KI-Entwickler — Edge-KI-Integration | Einführung, Konfiguration und Fehlersuche bei neuer Edge-KI-Hardware und ihren Toolchains |
| KI-Entwickler — ML-Optimierung | Quantisierung, Pruning und Tensor-Optimierung, um Leistungs- und Genauigkeitsuntergrenzen zu erreichen |
| KI-Entwickler — Empfehlungs-Engine | Die Engine, die jede KI-Workload der passenden Hardware-Stufe zuordnet |
| DevOps-Engineer | Laufzeit-Routing und partitionierte Ausführung über die Hardware-Flotte |
Wir bauen die Proving Ground für Physical AI.
Für Anfragen zu Partnerschaften, Pilotprojekten und Kooperationen oder zur Vereinbarung eines Briefings zu Etalonis.