Home Technology KI-Training durch Simulation statt Annotation
Article
Licensed
Unlicensed Requires Authentication

KI-Training durch Simulation statt Annotation

Generierung synthetischer Datensätze auf Basis manuell und KI-generierter 3D-Modelle und Analyse des Sim-to-Real-Transfers
  • Christopher May

    Christopher May, M.Sc., ist seit 2023 Wissenschaftlicher Mitarbeiter im Forschungsbereich Robotik am Lehrstuhl für Fertigungsautomatisierung und Produktionssystematik (FAPS) der Friedrich-Alexander-Universität Erlangen-Nürnberg (FAU).

     EMAIL logo     , Simon Fuchs

    Simon Fuchs, M.Sc., studierte bis 2025 an der FAU und fertigte seine Masterarbeit am Lehrstuhl für Fertigungsautomatisierung und Produktionssystematik (FAPS) an.

         , Jörg Franke

    Prof. Dr.-Ing. Jörg Franke ist seit 2009 Inhaber des Lehrstuhls für Fertigungsautomatisierung und Produktionssystematik (FAPS) der Friedrich-Alexander-Universität Erlangen-Nürnberg (FAU).

         and Sebastian Reitelshöfer

    Dr.-Ing. Sebastian Reitelshöfer leitet seit 2014 den Forschungsbereich Biomechatronik, mittlerweile Robotik, am Lehrstuhl für Fertigungsautomatisierung und Produktionssystematik (FAPS).
Published/Copyright: October 29, 2025
Become an author with De Gruyter Brill
Submit Manuscript Author Information
Zeitschrift für wirtschaftlichen Fabrikbetrieb
From the journal Zeitschrift für wirtschaftlichen Fabrikbetrieb Volume 120 Issue 10

Abstract

Künstliche Intelligenz (KI) steigert Effizienz und Flexibilität industrieller Prozesse, erfordert jedoch umfangreiche annotierte Trainingsdaten. Dieser Beitrag untersucht anhand eines Objektdetektors, inwieweit sich rein simulationsbasierte, synthetische Datensätze für das Training eignen. Zudem wird der Einsatz generativer KI evaluiert. Die Ergebnisse zeigen, dass durch gezielte Parametrierung eine ausreichende Leistung auf Realdaten ohne manuelle Annotation möglich ist.

Abstract

Although artificial intelligence increases the efficiency and flexibility of industrial processes, it requires extensive annotated training data. This article uses an object detector to investigate the suitability of purely simulation-based, synthetic datasets for training purposes. It also evaluates the use of generative AI. The results show that targeted parameterisation can achieve sufficient performance on real data without the need for manual annotation.

Schlüsselwörter: Simulation; Synthetische Daten; Generative KI; Sim-to-Real; Künstliche Intelligenz; Machine Learning; Objekterkennung
Keywords: Simulation; Synthetic Data; Generative AI; Simto-Real; Artificial Intelligence; Machine Learning

Hinweis

Bei diesem Beitrag handelt es sich um einen von den Mitgliedern des ZWF-Advisory-Board wissenschaftlich begutachteten Fachaufsatz (Peer Review).

Tel.: +49 (0) 162 1375701

Funding statement: Diese Veröffentlichung entstand im Rahmen des Verbundprojekts POV.OS – Hardware- und Softwareplattform für mobile Arbeitsmaschinen (Förderkennzeichen: 19A22010L). Gefördert wurde durch das Bundesministerium für Wirtschaft und Energie aufgrund eines Beschlusses des Deutschen Bundestages.

About the authors

Christopher May

Christopher May, M.Sc., ist seit 2023 Wissenschaftlicher Mitarbeiter im Forschungsbereich Robotik am Lehrstuhl für Fertigungsautomatisierung und Produktionssystematik (FAPS) der Friedrich-Alexander-Universität Erlangen-Nürnberg (FAU).

Simon Fuchs

Simon Fuchs, M.Sc., studierte bis 2025 an der FAU und fertigte seine Masterarbeit am Lehrstuhl für Fertigungsautomatisierung und Produktionssystematik (FAPS) an.

Prof. Dr.-Ing. Jörg Franke

Prof. Dr.-Ing. Jörg Franke ist seit 2009 Inhaber des Lehrstuhls für Fertigungsautomatisierung und Produktionssystematik (FAPS) der Friedrich-Alexander-Universität Erlangen-Nürnberg (FAU).

Dr.-Ing. Sebastian Reitelshöfer

Dr.-Ing. Sebastian Reitelshöfer leitet seit 2014 den Forschungsbereich Biomechatronik, mittlerweile Robotik, am Lehrstuhl für Fertigungsautomatisierung und Produktionssystematik (FAPS).

Literatur

1 Meiners, M.; Mayr, A.; Thomsen, M.; Franke, J.: Application of Machine Learning for Product Batch Oriented Control of Production Processes. Procedia CIRP 93 (2020), S. 431–436 DOI:10.1016/j.procir.2020.04.00610.1016/j.procir.2020.04.006Search in Google Scholar

2 Hofmann, C.; May, C.; Ziegler, P.; Ghotbiravandi, I.; Franke, J.; Reitelshöfer, S.: Automated Individualization of Object Detectors for the Semantic Environment Perception of Mobile Robots. In: Proceedings of the 20th International Joint Conference on Computer Vision, Imaging and Computer Graphics Theory and Applications: SCITEPRESS – Science and Technology Publications, 2025, S. 851–862 DOI:10.5220/001316250000391210.5220/0013162500003912Search in Google Scholar

3 Lin, T.-Y.; Maire, M.; Belongie, S.; Hays, J.; Perona, P.; Ramanan, D.; Dollár, P.; Zitnick, C. L.: Microsoft COCO: Common Objects in Context, Bd. 8693. In: Fleet, D.; Pajdla, T.; Schiele, B.; Tuytelaars, T. (Hrsg.): Computer Vision – ECCV 2014. Springer International Publishing (Lecture Notes in Computer Science), Cham 2014, S. 740–755 DOI:10.1007/978-3-319-10602-1_4810.1007/978-3-319-10602-1_48Search in Google Scholar

4 Metzner, M.; Albrecht, F.; Fiegert, M.; Bauer, B.; Martin, S.; Karlidag, E.; Blank, A.; Franke, J.: Virtual Training and Commissioning of Industrial Bin Picking Systems Using Synthetic Sensor Data and Simulation. International Journal of Computer Integrated Manufacturing 35 (2022), 4/5, S. 483–492 DOI:10.1080/0951192X.2021.200461810.1080/0951192X.2021.2004618Search in Google Scholar

5 May, C.; Suchy, L.; Franke, J.; Reitelshöfer, S.: Towards Imaginative Robots: A Generative Pipeline for Simulated Environments. SNE Simulation Notes Europe 35 (2025) 1, S. 61–70 DOI:10.11128/sne.35.tn.1072010.11128/sne.35.tn.10720Search in Google Scholar

6 Rombach, R.; Blattmann, A.; Lorenz, D.; Esser, P.; Ommer, B.: High-Resolution Image Synthesis with Latent Diffusion Models. In: 2022 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR): IEEE, 2022, S. 10674–10685 DOI:10.1109/CVPR52688.2022.0104210.1109/CVPR52688.2022.01042Search in Google Scholar

7 Zwingel, M.; May, C.; Kalenberg, M.; Franke, J.: Robotics Simulation – A Comparison of Two State-of-the-Art Solutions.In: Breitenecker, F.; Deatcu, C.; Durak, U.; Körner, A.; Pawletta, T. (Hrsg.):,ASIM SST 2022 Proceedings Langbeiträge, Jul. 2022, S. 171–178 DOI:10.11128/arep.20.a203310.11128/arep.20.a2033Search in Google Scholar

8 Google DeepMind: Imagen – Our Best Image Generation Model Yet, Engineered for Creativity. Online unter https://deepmind.google/models/imagen [Abruf am 04.07.2025]Search in Google Scholar

9 OpenAI: Introducing 4o Image Generation. Online unter https://openai.com/index/introducing-4o-image-generation [Abruf am 04.07.2025]Search in Google Scholar

10 Black Forest Labs: FLUX.1-dev. Online unter https://huggingface.co/black-forest-labs/FLUX.1-dev [Abruf am 29.06.2025]Search in Google Scholar

11 Black Forest Labs: Announcing Black Forest Labs. Online unter https://bfl.ai/announcements/24-08-01-bfl [Abruf am 29.06.2025]Search in Google Scholar

12 Labs, B. F.; Batifol, S.; Blattmann, A. et al.: FLUX.1 Kontext: Flow Matching for In-Context Image Generation and Editing in Latent Space. 17.06.2025 DOI:10.48550/arXiv:2506.1574210.48550/arXiv:2506.15742Search in Google Scholar

13 Stability AI: Stable-Diffusion-3.5-Large. Online unter https://huggingface.co/stabilityai/stable-diffusion-3.5-large [Abruf am 04.07.2025]Search in Google Scholar

14 Huang, Z.; Boss, M.; Vasishta, A.; Rehg, J. M.; Jampani, V.: SPAR3D: Stable Point-Aware Reconstruction of 3D Objects from Single Images. 08.01.2025 DOI:10.1109/CVPR52734.2025.0157110.1109/CVPR52734.2025.01571Search in Google Scholar

15 Lai, Z.; Zhao, Y.; Liu, H. et al.: Hunyuan3D 2.5: Towards High-Fidelity 3D Assets Generation with Ultimate Details. 19.06.2025 DOI:10.48550/arXiv:2506.1650410.48550/arXiv:2506.16504Search in Google Scholar

16 Microsoft: TRELLIS (30.05.2025). Online unter https://github.com/microsoft/TRELLIS [Abruf am 29.06.2025]Search in Google Scholar

17 Redmon, J.; Divvala, S.; Girshick, R.; Farhadi, A.: You Only Look Once: Unified, Real-Time Object Detection. In: Proceedings of the 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR): IEEE, 2016, S. 779–788 DOI:10.1109/CVPR.2016.9110.1109/CVPR.2016.91Search in Google Scholar

18 Tian, Y.; Ye, Q.; Doermann, D.: YOLOv12: Attention-Centric Real-Time Object Detectors. 18.02.2025 DOI:10.48550/arXiv:2502.1252410.48550/arXiv:2502.12524Search in Google Scholar

19 Xiang, J.; Lv, Z.; Xu, S. et al.: Structured 3D Latents for Scalable and Versatile 3D Generation. https://arxiv.org/abs/2412.01506 DOI:10.48550/arXiv.2412.0150610.48550/arXiv.2412.01506Search in Google Scholar

20 NVIDIA: NVIDIA Isaac Sim. Online unter https://developer.nvidia.com/isaac/sim [Abruf am 20.07.2025]Search in Google Scholar

21 Jocher, G.; Qiu, J.; Chaurasia, A.: Ultralytics YOLO. Online unter https://github.com/ultralytics/ultralytics [Abruf am 08.03.2025]Search in Google Scholar
Published Online: 2025-10-29
Published in Print: 2025-10-20

© 2025 Walter de Gruyter GmbH, Berlin/Boston, Germany

Articles in the same Issue

  1. Inhalt
  2. Editorial
  3. Automatisierung mit den Menschen
  4. Interview
  5. Innovationen in der Elektronikfertigung
  6. Nachhaltige Transformation
  7. Kompetenzmodell „Green Skills“ und Wesentlichkeitsanalyse
  8. Menschzentrierte Robotik
  9. Kompetenzen für die menschzentrierte Robotik in der Kleinserienfertigung
  10. Wertstromerfassung
  11. Digitaler Schatten aller Wertströme
  12. Digitale Assistenzsysteme
  13. Erweiterte Werkerassistenz durch kamerabasierte Kontexterkennung und Bauteilprojektionen
  14. Sensorintegration
  15. Sensorgestützte Kraftüberwachung in der Umformtechnik
  16. Antriebssysteme
  17. Vom Frameless-Servomotor zum kompletten Antriebssystem
  18. Refabrikation
  19. Entscheidungshilfe im Batterie-Remanufacturing
  20. Dekarbonisierung
  21. Softsensorische Bestimmung der Membranfeuchte
  22. Bauteilreinigung
  23. Höchste Sauberkeit – nicht nur ein Reinigungsprozess
  24. Personalprozesse
  25. Mit Jobprofilen fit für die Zukunft
  26. Competency Assessment
  27. Competency Skill Intervention
  28. Employee Performance
  29. Exploring Spiritual Intelligence in the Workplace
  30. Künstliche Intelligenz
  31. Vertrauen in KI kalibrieren
  32. KI-Training durch Simulation statt Annotation
  33. EU AI Act fordert Sicherstellung von KI-Kompetenz
  34. Digitale Zwillinge
  35. Asset Administration Shell
  36. Virtuelle Anlagenentwicklung und SPS-Programmierung
  37. Vorschau
  38. Vorschau
https://doi.org/10.1515/zwf-2025-1114
Keywords for this article
Simulation; Synthetic Data; Generative AI; Simto-Real; Artificial Intelligence; Machine Learning

Articles in the same Issue

  1. Inhalt
  2. Editorial
  3. Automatisierung mit den Menschen
  4. Interview
  5. Innovationen in der Elektronikfertigung
  6. Nachhaltige Transformation
  7. Kompetenzmodell „Green Skills“ und Wesentlichkeitsanalyse
  8. Menschzentrierte Robotik
  9. Kompetenzen für die menschzentrierte Robotik in der Kleinserienfertigung
  10. Wertstromerfassung
  11. Digitaler Schatten aller Wertströme
  12. Digitale Assistenzsysteme
  13. Erweiterte Werkerassistenz durch kamerabasierte Kontexterkennung und Bauteilprojektionen
  14. Sensorintegration
  15. Sensorgestützte Kraftüberwachung in der Umformtechnik
  16. Antriebssysteme
  17. Vom Frameless-Servomotor zum kompletten Antriebssystem
  18. Refabrikation
  19. Entscheidungshilfe im Batterie-Remanufacturing
  20. Dekarbonisierung
  21. Softsensorische Bestimmung der Membranfeuchte
  22. Bauteilreinigung
  23. Höchste Sauberkeit – nicht nur ein Reinigungsprozess
  24. Personalprozesse
  25. Mit Jobprofilen fit für die Zukunft
  26. Competency Assessment
  27. Competency Skill Intervention
  28. Employee Performance
  29. Exploring Spiritual Intelligence in the Workplace
  30. Künstliche Intelligenz
  31. Vertrauen in KI kalibrieren
  32. KI-Training durch Simulation statt Annotation
  33. EU AI Act fordert Sicherstellung von KI-Kompetenz
  34. Digitale Zwillinge
  35. Asset Administration Shell
  36. Virtuelle Anlagenentwicklung und SPS-Programmierung
  37. Vorschau
  38. Vorschau
Sign up now to receive a 20% welcome discount
Institutional Access
How does access work?
Have an idea on how to improve our website?
Please write us.
© 2026 De Gruyter Brill
Downloaded on 4.2.2026 from https://www.degruyterbrill.com/document/doi/10.1515/zwf-2025-1114/html
Scroll to top button