Innodata eröffnet Motion-Capture-Labor: Das Rennen um Roboterdaten wird schärfer

Das Labor stellte das Datentechnik-Unternehmen aus Ridgefield Park, N.J., am Mittwoch vor. Es ist mit optischen Infrarot-Tracking-Kameras von Vicon ausgestattet, die laut Innodata Bewegungen bis in den Submillimeterbereich messen. Die Firma beschreibt die Einrichtung als Antwort auf einen Engpass, auf den nach eigener Darstellung jedes Robotikteam stößt: zu wenige Daten aus realen Interaktionen. Was es gibt, ist teuer und langsam in der Produktion.

„Physical AI wächst schneller als jedes andere Segment der KI, aber jedes Robotikteam stößt an dieselbe Wand“, sagte Rahul Singhal, CEO von Innodata, in einer Erklärung, die The Robot Report veröffentlichte. „Diese Einrichtung beseitigt diese Wand.“

Die Ankündigung fällt in eine Woche, die voller Neuigkeiten zu Roboterdaten ist. Am selben Tag berichtete TechCrunch, dass Destro AI, ein Startup für Logistikrobotik, aus dem Stealth-Modus hervorgegangen ist. Die Seed-Runde über 8.000.000 Dollar dreht sich um eine Intelligenzschicht, die auch menschlichen Arbeitskräften sagt, was sie tun sollen. Ebenfalls am 30. September veröffentlichte MindOn Details zu Mind-1, einem Physical-AI-Modell, das die Inferenzlatenz von Robotern nach eigenen Angaben von 82 ms auf 32 ms senkt. Und Fig Inc. brachte einen technischen Bericht heraus. Darin zeigt sich, dass Frontier-Modelle wie Astra und Opus 5.5 bei Robotik- und Web-Aufgaben ungleichmäßig abschneiden.

Warum direkte Erfassung

Das Argument von Innodata ist technisch. Die meisten Datenanbieter, so das Unternehmen, leiten 3D-Bewegung aus der Analyse von 2D-Video ab. Innodata erfasst 3D-Daten direkt von Körpern, ob menschlich oder mechanisch.

„Es gibt einfach keinen Ersatz für direkte 3D-Motion-Capture“, sagte Franklin Tanner, Vice President für Robotik und Physical AI bei Innodata, gegenüber The Robot Report. „Wenn ein Computer-Vision-Modell versucht, aus einem 2D-Pixelraster schlau zu werden, schleichen sich zwangsläufig Fehler ein.“

Tanner nannte das Beispiel eines Roboters, der eine Tasse aufnimmt. Die meisten Menschen greifen den Henkel, aber der Boden funktioniert auch. Enthält die Tasse heiße Flüssigkeit, macht der Unterschied etwas aus. „Der Kontext zählt, und der ist selbst in den Datensätzen, die es derzeit gibt, nicht immer enthalten“, sagte er.

Innodata will im Labor Daten von Humanoiden, teleoperierter Hardware, tragbaren Systemen, Sensoraufbauten, Greifern der Universal Manipulator Interface und anderen multimodalen Anordnungen erfassen. Die Daten können anschließend digitale Zwillinge speisen, um Randfälle zu erzeugen. Das Unternehmen erklärt außerdem, die Einrichtung werde Leistungsdaten unabhängig prüfen, die Roboter intern erzeugen. Diesen Service bewirbt Innodata als Ende-zu-Ende-Leistung: von der Erfassung bis zur Modellbewertung.

Das Skalierungsproblem ist real. Tanner wies darauf hin, dass ein Humanoide mit fast 200 lb Gewicht Messwerte braucht, die präzise sind und nicht nur „ungefähr hinkommen“. Zudem benannte er eine Lücke: „Wir haben derzeit keine Trainingsdaten, in denen Menschen und Roboter interagieren. Das ist ein Bereich, an dem wir im Labor arbeiten.“

Die Konkurrenz baut ebenfalls Datenschichten auf

Destro AI, am Dienstag aus dem Stealth-Modus aufgetaucht, wählt einen anderen Ansatz. Statt Roboter zu bauen, entwickelte das Unternehmen eine Intelligenzschicht, die Roboter und Menschen in Logistikumgebungen koordiniert. Gründer Manthan Pawar sagte gegenüber TechCrunch, das Unternehmen gewinne gegen Robotikfirmen, „weil wir kein Robotikunternehmen sind“.

Destro begann mit einem Pilotprojekt in einer Anlage von Yusen Logistics im Pazifischen Nordwesten. Zum Einsatz kamen drei Wagen fahrende Roboter von Miva Robotics, betrieben über Destros Betriebssystem Vision, das auf offenen Vision-Language-Action-Modellen basiert. Menschliche Arbeitskräfte laden Waren aus einem Lkw in Wagen; die Roboter suchen die vollen Ladungen und bewegen sie. Richard Brunelle, Director of Automation bei Yusen für die amerikanische Logistikgruppe, sagte zu TechCrunch, zwei andere namhafte Robotik-Startups hätten nicht in den Arbeitsablauf gepasst. Eines bot Punkt-zu-Punkt-Bewegung von Wagen, aber kein Be- und Entladen. Das andere verlangte eine Person für die Orchestrierung.

Destro weitet dieses Pilotprojekt nun auf 26 Roboter aus und startet ein weiteres mit 17 Robotern in einer Yusen-Anlage in Südkalifornien. Base10 Partners und Bonfire Ventures führten die Seed-Runde an, CoFound Partners war beteiligt.

MindOns Mind-1 greift eine verwandte Einschränkung an: die Geschwindigkeit. In einem am 30. September veröffentlichten Blogbeitrag erklärte das Unternehmen, sein Modell ermögliche Robotern bei manchen Aufgaben Taktzeiten auf menschlichem Niveau und sogar schnellere Arbeit als Menschen. Es benennt vier Hindernisse für schnelle Manipulation: Trainingsdaten aus Teleoperation sind langsamer als natürliche menschliche Bewegung; Inferenzlatenz summiert sich bei hohem Tempo; aufeinanderfolgende Inferenzschritte können inkonsistente Trajektorienabsichten erzeugen; und die Anforderungen an die Synchronisierung von Steuerung und Sensorik steigen.

„Bei einer Endeffektor-Geschwindigkeit von 3 m/s entsprechen schon 10 ms Latenz etwa 3 cm Bewegung“, schrieb das Unternehmen, genug, um präzises Greifen oder Einführen zu beeinträchtigen. MindOn zufolge ist Mind-1 mit menschenzentrierten Manipulationsdaten trainiert, die direkt von Personen stammen, die Aufgaben in natürlichem Tempo ausführen. Das Modell senkte die Inferenzlatenz von 82 ms auf 32 ms.

Benchmarks verbergen die Unebenheiten

Fig Inc., eine Forschungsgruppe, veröffentlichte am 30. September einen technischen Bericht. Darin argumentiert das Team, Schlagzeilen-Benchmarkwerte verschleierten, wie ungleichmäßig Frontier-Modelle abschneiden. Bewertet wurden sieben Modelle auf VisualWebArena, einem Closed-Loop-Benchmark für Web-Aufgaben mit 177 Aufgaben, und drei Modelle über vier Offline-Physikdomänen: VLABench, Assembly101, IndEgo und Bench2Drive.

Ihr Befund: Für jedes Modellpaar löst das schwächere Modell mindestens eine Aufgabe, die das stärkere verfehlt. Ein Modellupdate kann den Durchschnitt nahezu unverändert lassen, während viele einzelne Aufgaben kippen. Dieselbe Unebenheit zeigt sich in physischen Domänen. Modelle, die Gemini 3.5-Flash bei jedem Domänendurchschnitt schlagen, schneiden in manchen Aufgabenkategorien dennoch schlechter ab. Die Autoren veröffentlichten RIDGE, einen Datensatz mit Ergebnissen auf Item-Ebene und Modellspuren.

Das ist wichtig für alle, die Roboterdaten oder Modelle kaufen. Eine einzelne Benchmarkzahl sagt einem Deployment-Team wenig darüber, ob ein Modell bei der eigenen Aufgabenmischung funktioniert.

Das Datengeschäft trifft auf den Hype-Zyklus

Die Laboreröffnung von Innodata ist eine Wette darauf, dass Daten und nicht Hardware die bindende Einschränkung sind. Das Unternehmen wurde 1988 gegründet und beschreibt sich als Anbieter von Daten, Bewertungsframeworks und menschlicher Expertise für KI-Systeme. Der Vorstoß in die Robotik folgt einem breiteren Muster: Während Firmen für humanoide und Logistikroboter große Runden einsammeln, positionieren sich die Anbieter von Trainingsdaten, Simulation und Bewertungswerkzeugen als Verkäufer von Schaufeln und Hacken.

Ob dieser Markt so schnell wächst, wie die Roboterhersteller hoffen, ist ungetestet. Tanner nannte die Simulation als einen Hebel. „Simulatoren werden ziemlich gut darin, reale Daten zu übernehmen, die Real-to-Sim-Übersetzung zu machen und dann die Umgebung zu permutieren“, sagte er und nannte Nvidias Cosmos-Umgebung, die „darin wirklich gut geworden ist“. Er fügte jedoch hinzu, dass reale Daten der Goldstandard bleiben und teuer sind.

Es gibt auch eine Frage nach Talent und Aufmerksamkeit. Rongzhong Li, der Macher hinter OpenCat, Nybble und Bittle, schrieb am 30. September auf Hackster.io, sein Unternehmen habe seit 2018 mehr als 30.000 Vierbeiner ausgeliefert. Seine Sorge gilt nicht der Datenmenge, sondern der Produktlieferung. „Leute haben angefangen, sich zu beschweren, dass Roboter nur tanzen oder schnell laufen und ihre Arbeit nicht tun“, schrieb er. Er argumentierte, Roboter mit vielen Freiheitsgraden schafften emotionale Verbindung, erhöhten aber auch die Hürde für den nächsten Macher und senkten die Wahrscheinlichkeit, dass etwas als zuverlässiges Produkt ausgeliefert wird.

Sein vorgeschlagenes Signal für kommerzielle Roboter ist leiser: Man vergleiche den Gebrauchtpreis eines beeindruckenden Roboters mit seinen Materialkosten wenige Monate nach der Auslieferung. Keine der beiden Zahlen erfasse den vollen Wert, aber ihr Verhältnis, so schrieb er, könne zeigen, wie viel praktischen Wert der Markt noch sieht, nachdem die Neuheit verflogen ist. Quaddle, sein drittes Produkt, läuft auf Kickstarter ab 99 Dollar.

Für Innodata ist der unmittelbare Test, ob Roboterhersteller für extern erfasste und geprüfte Bewegungsdaten zahlen, statt die Erfassung selbst aufzubauen. Das Unternehmen sagt, seine Sensoren registrierten die kleinste Bewegung jedes Gelenks, was das Training genauer und effizienter mache. Tanners Tassenbeispiel ist das Verkaufsargument im Kleinen: Ein Roboter, der den Boden statt des Henkels greift, erledigt die Aufgabe vielleicht, verbrennt aber möglicherweise die Hand, die die Tasse hält. Genau solche Kontextinformationen zu kodieren, dafür wirbt das Labor.

Arrowfly, die Muttergesellschaft von The Robot Report, nutzte den 30. September ebenfalls, um AI for Engineers zu starten, eine Plattform mit einem Newsdesk, einer jährlichen Konferenz vom 20. bis 22. September 2027 in Henderson, Nev., eigener Forschung und einem Beirat. Arrowfly gibt an, seine Engineering-Marken erreichten 2.100.000 verifizierte Leser aus der Industrie. Der Start ist ein weiteres Zeichen dafür, dass der Informationsmarkt für KI in der Robotik gemeinsam mit der Hardware wächst.

Die Ankündigungen der Woche teilen eine Prämisse: Roboter werden schnell genug besser, dass die Einschränkung zu Daten, Orchestrierung und Geschwindigkeit gewandert ist. Innodata wettet auf die Erfassung. Destro wettet auf die Koordination. MindOn wettet auf die Latenz. Fig wettet darauf, dass Käufer über den Durchschnitt hinausschauen sollten. Keiner von ihnen hat eine unabhängige Überprüfung seiner Behauptungen veröffentlicht, und die Robotereinsätze, die den Markt beweisen würden, werden noch in Dutzenden von Einheiten gezählt, nicht in Tausenden.