Einen außergewöhnlich geschickten Greifroboter , der selbstständig lernt, wie er Objekte am besten anpackt, haben Prof. Ken Goldberg und Jeff Mahler von der UC Berkeley gebaut. Die Besonderheit dabei sind nicht etwa die Greifarme, sondern die Dex-Net -Algorithmen dahinter, mit denen der Roboter die besten Winkel ausrechnet, um das Objekt zu fassen. Er bewegt und verschiebt auch Produkte, damit er sie besser erkennen kann. Am Ende lernt er durch Trial and Error und ist in der Lage, aus einmal erkannten Objekten eine Klasse ähnlicher Objekte zu abstrahieren. Die funktionierende Lösung speichert der Roboter für das nächste Teil und wird so kontinuierlich schneller und effizienter.

Der jetzige Prototyp besteht aus zwei voneinander unabhängigen Armen: einem konventionellen Greifarm und einem Vakuumsaugarm. Die 3D-Kamera identifiziert das zu greifende Objekt blitzschnell, und der Algorithmus entscheidet, welcher Arm am besten zum Einsatz kommt. Im Durchschnitt kommt der Dex-Net-Bot damit bereits auf 200 bis 300 Greifvorgänge pro Stunde. Konventionelle Automationslösungen schaffen bisher rund 100 Picks. Bei chaotischen Sortieraufgaben bleiben Menschen mit über 400 Greifvorgängen pro Stunde also noch weit überlegen.