Innodata eröffnet Motion-Capture-Labor, während das Rennen um Roboterdaten an Fahrt gewinnt
Innodata hat am 30. September ein Motion-Capture-Labor in New Jersey eröffnet, um Trainingsdaten für humanoide und industrielle Roboter zu erzeugen. Das Unternehmen setzt darauf, dass direkte 3D-Erfassung besser ist als das Ableiten von Bewegung aus 2D-Video.

Das Labor, das die Datenengineering-Firma aus Ridgefield Park, N.J., am Mittwoch ankündigte, ist mit optischen Infrarot-Tracking-Kameras von Vicon ausgestattet, die laut Innodata Bewegungen bis auf den Submillimeter-Bereich messen. Das Unternehmen beschreibt die Einrichtung als Antwort auf einen Engpass, auf den nach eigener Darstellung jedes Robotikteam stößt: zu wenig Interaktionsdaten aus der realen Welt, und was es gibt, ist teuer und langsam in der Herstellung.
„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 voller Robotikdaten-Nachrichten. Am selben Tag berichtete TechCrunch, dass Destro AI, ein Startup für Logistikrobotik, aus dem Stealth-Modus gekommen ist, mit einer Seed-Runde über 8.000.000 Dollar. Kern des Angebots ist 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 82ms auf 32ms senkt. Und Fig Inc. brachte einen technischen Bericht heraus, der zeigt, dass Frontier-Modelle wie Astra und Opus 5.5 bei Robotik- und Web-Aufgaben ungleich abschneiden.
Warum direkte Erfassung
Innodatas Argument 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 unweigerlich Fehler ein.“
Tanner nannte das Beispiel eines Roboters, der eine Tasse greift. Die meisten Menschen packen den Griff, 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 Robotern, teleoperierter Hardware, Wearable-Systemen, Sensoraufbauten, Greifern der Universal Manipulator Interface und anderen multimodalen Setups erfassen. Diese Daten können anschließend digitale Zwillinge speisen, um Randfälle zu erzeugen. Das Unternehmen erklärt außerdem, die Einrichtung werde Leistungsdaten, die Roboter intern erzeugen, unabhängig validieren. Diesen Service bewirbt Innodata als End-to-End-Angebot: von der Erfassung bis zur Modellbewertung.
Das Skalierungsproblem ist real. Tanner wies darauf hin, dass ein humanoider Roboter mit fast 200 lb Gewicht Messwerte braucht, die präzise sind, nicht nur „ungefähr hinkommen“. Er benannte auch 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
Destro AI, am Dienstag aus dem Stealth-Modus getreten, setzt anders an. Statt Roboter zu bauen, entwickelte das Unternehmen eine Intelligenzschicht, die Roboter und Menschen in Logistikumgebungen koordiniert. Gründer Manthan Pawar sagte TechCrunch, sein Unternehmen gewinne gegen Robotikfirmen „weil wir kein Robotikunternehmen sind“.
Destro begann mit einem Pilotprojekt in einer Anlage von Yusen Logistics im pazifischen Nordwesten. Drei Wagen bewegende Roboter von Miva Robotics kamen zum Einsatz, gesteuert von Destros Betriebssystem Vision, das auf offenen Vision-Language-Action-Modellen basiert. Menschliche Arbeitskräfte laden Waren aus einem Lkw in Wagen; die Roboter finden die vollen Ladungen und bewegen sie. Richard Brunelle, Automatisierungsdirektor des amerikanischen Logistikkonzerns Yusen, sagte TechCrunch, zwei andere namhafte Robotik-Startups hätten nicht in den Arbeitsablauf gepasst. Das eine bot Punkt-zu-Punkt-Bewegung von Wagen, aber kein Be- und Entladen. Das andere verlangte eine Person für die Koordination.
Destro weitet das 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 beteiligte sich.
MindOns Mind-1 zielt auf eine verwandte Einschränkung: Geschwindigkeit. In einem am 30. September veröffentlichten Blogbeitrag erklärte das Unternehmen, sein Modell ermögliche Robotern bei manchen Aufgaben Zykluszeiten auf menschlichem Niveau, teils sogar schnellere Arbeit als Menschen. Vier Hindernisse für schnelle Manipulation nennt die Firma: 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 wurde Mind-1 mit menschenzentrierten Manipulationsdaten trainiert, die direkt von Personen stammen, die Aufgaben in natürlichem Tempo ausführen. Die Inferenzlatenz sei von 82ms auf 32ms gesunken.
Benchmarks verbergen die Ungleichmäßigkeit
Fig Inc., eine Forschungsgruppe, veröffentlichte am 30. September einen technischen Bericht mit dem Argument, dass plakative Benchmark-Ergebnisse verschleiern, wie ungleichmäßig Frontier-Modelle abschneiden. Das Team bewertete sieben Modelle auf VisualWebArena, einem Closed-Loop-Benchmark für Web-Aufgaben mit 177 Aufgaben, sowie drei Modelle in vier offline-physischen Domänen: VLABench, Assembly101, IndEgo und Bench2Drive.
Ihr Befund: Für jedes Modellpaar löst das schwächere Modell mindestens eine Aufgabe, die das stärkere verfehlt. Ein Modell-Update kann den Durchschnitt fast unverändert lassen, während viele einzelne Aufgaben kippen. Dieselbe Ungleichmäßigkeit zeigt sich in physischen Domänen. Modelle, die Gemini 3.5-Flash in jedem Domänendurchschnitt schlagen, sind in manchen Aufgabenkategorien dennoch schlechter. Die Autoren veröffentlichten RIDGE, einen Datensatz mit Ergebnissen auf Item-Ebene und Modell-Traces.
Das ist wichtig für alle, die Roboterdaten oder -modelle kaufen. Eine einzelne Benchmark-Zahl sagt einem Deployment-Team wenig darüber, ob ein Modell bei der eigenen Aufgabenmischung funktioniert.
Das Datengeschäft trifft auf den Hype-Zyklus
Innodatas Laboreröffnung ist eine Wette darauf, dass Daten und nicht Hardware die begrenzende Größe 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 im Goldrausch.
Ob dieser Markt so schnell wächst, wie die Roboterhersteller hoffen, ist ungetestet. Tanner nannte die Simulation als einen Hebel. „Simulatoren werden ziemlich gut darin, echte Weltdaten aufzunehmen, die Real-to-Sim-Übertragung zu machen und dann die Umgebung zu permutieren“, sagte er und nannte Nvidias Cosmos-Umgebung, die „darin wirklich gut wird“. Er fügte aber hinzu, dass Daten aus der realen Welt der Goldstandard bleiben, und die sind teuer.
Dazu kommt eine Frage von 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. Roboter mit vielen Freiheitsgraden schaffen eine emotionale Bindung, erhöhten aber auch die Latte für den nächsten Hersteller und senkten die Wahrscheinlichkeit, dass etwas als verlässliches Produkt ausgeliefert wird.
Sein vorgeschlagenes Signal für kommerzielle Roboter ist leiser: Man vergleiche den Gebrauchtpreis eines beeindruckenden Roboters mit seinen Materialkosten einige Monate nach der Auslieferung. Keine der beiden Zahlen erfasse den vollen Wert, doch ihr Verhältnis, schrieb er, könne zeigen, wie viel praktischen Wert der Markt noch sieht, wenn der Neuheitseffekt verflogen ist. Quaddle, sein drittes Produkt, läuft auf Kickstarter ab 99 Dollar.
Für Innodata ist der unmittelbare Test, ob Roboterhersteller für extern erfasste und validierte Bewegungsdaten zahlen, statt die Erfassung selbst zu bauen. Das Unternehmen sagt, seine Sensoren registrieren die kleinste Bewegung jedes Gelenks, was das Training genauer und effizienter macht. Tanners Tassenbeispiel ist der Pitch im Kleinen: Ein Roboter, der den Boden statt des Griffs packt, erledigt die Aufgabe vielleicht, verbrennt aber womöglich die Hand, die die Tasse hält. Genau solche Kontextdaten verkauft das Labor.
Arrowfly, die Muttergesellschaft von The Robot Report, nutzte den 30. September ebenfalls, um AI for Engineers zu starten: eine Plattform mit Newsredaktion, einer Jahreskonferenz 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 Branche. 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 Begrenzung 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. Keines der Unternehmen hat eine unabhängige Überprüfung seiner Aussagen veröffentlicht, und die Roboter-Deployments, die den Markt beweisen würden, zählen noch in Dutzenden von Einheiten, nicht in Tausenden.
Quellen
6- 01Innodata opens motion-capture lab to help humanoids move more like peopleEN
- 02Destro AI's secret sauce is getting robots and humans on the same pageEN
- 03Mind-1: Cutting robot inference latency from 82ms to 32msEN
- 04Astra, Opus 5.5, and other Frontier Models Demonstrate Jagged Performance Across SoTA Agentic Tasks from Web Browsing to RoboticsEN
- 05What 30,000 robot dogs taught me about degrees of freedom and shipping a real robot productEN
- 06The Robot Report parent Arrowfly launches AI for Engineers platform, events for engineers navigating AIEN
Alle Zahlen und Zitate in diesem Text stammen aus den unten genannten Quellen.
Die Materialien wurden vom Redaktionsteam mit Unterstützung von KI erstellt.
Kommentare
0- Noch keine Kommentare — seien Sie der Erste.