Innodata eröffnet ein Motion-Capture-Labor für hochpräzise 3D-Daten, um die Bewegungen humanoider Roboter zu optimieren und Entwicklungszyklen zu verkürzen.

Die Entwicklung humanoider Roboter hat in den letzten Jahren enorme Fortschritte in der Hardware gemacht. Doch während die mechanische Agilität zunimmt, stößt die steuernde Intelligenz an eine fundamentale Grenze: den Mangel an qualitativ hochwertigen Interaktionsdaten aus der realen Welt. Um diese Lücke zu schließen, hat das Datenengineering-Unternehmen Innodata ein neues Forschungs- und Entwicklungslabor eröffnet, das sich auf die Erfassung präziser Bewegungsdaten spezialisiert.

Die Datenlücke der physischen KI

Im Gegensatz zu Large Language Models (LLMs), die auf den gewaltigen Textmengen des Internets trainiert wurden, existiert für die physische Welt kein vergleichbarer digitaler Korpus. Roboter können nicht einfach durch das Lesen von Webseiten lernen, wie man ein fragiles Objekt greift oder sich natürlich in einem menschlichen Raum bewegt. Rahul Singhal, CEO von Innodata, beschreibt dies als eine Mauer, gegen die fast jedes Robotik-Team stößt. Die verfügbaren Daten zur realen Interaktion sind oft teuer in der Beschaffung und zeitintensiv in der Produktion.

Physische KI wächst derzeit schneller als fast jeder andere Bereich der Künstlichen Intelligenz. Damit Roboter jedoch nützliche Aufgaben in komplexen Umgebungen übernehmen können, benötigen sie Trainingsdaten, die über bloße Schätzungen hinausgehen. Das neue Labor in Ridgefield Park, New Jersey, soll genau hier ansetzen und die Entwicklungszyklen verkürzen, indem es eine vollständige End-to-End-Kapazität bietet, die von der Datenerfassung bis zur Modellvalidierung reicht.

Präzision statt Schätzung durch 3D-Capture

Ein zentrales Problem vieler aktueller Ansätze ist die Abhängigkeit von 2D-Videoanalysen. Viele Datenanbieter versuchen, 3D-Bewegungen aus zweidimensionalen Pixelrastern abzuleiten, was zwangsläufig zu Fehlern führt. Innodata setzt stattdessen auf die direkte Erfassung von 3D-Daten, sowohl von menschlichen Probanden als auch von mechanischen Körpern. Die direkte Erfassung eliminiert die Ungenauigkeiten, die bei der Interpretation von Computer-Vision-Modellen entstehen.

Frank Tanner, Vice President für Robotik und physische KI bei Innodata, betont die Notwendigkeit dieser Exaktheit. Wenn ein humanoider Roboter ein Gewicht von fast 100 Kilogramm hat, können die Messwerte nicht nur im ungefähren Bereich liegen. Jede minimale Fehlberechnung in der Gelenkbewegung kann in der physischen Welt zu Instabilität oder Sicherheitsrisiken führen. Die Sensoren im Labor sind darauf ausgelegt, selbst die kleinsten Bewegungen jedes Gelenks zu registrieren, was das Training effizienter und sicherer macht.

Technologische Basis: Die Zusammenarbeit mit Vicon

Um die erforderliche Genauigkeit zu erreichen, wurde das Labor in Zusammenarbeit mit Vicon entwickelt, einem führenden Unternehmen im Bereich Motion Capture. Die Anlage ist mit hochpräzisen Infrarot-Optik-Tracking-Kameras ausgestattet, die eine geringe Latenz aufweisen. Diese Technologie ermöglicht Messungen im Sub-Millimeter-Bereich, eine Präzision, die mit herkömmlichen Methoden wie tragbaren IMU-Sensoren (Inertial Measurement Unit) oder monokularen Videoanalysen nicht erreichbar ist.

Andrew Knox, Managing Director von Vicon, weist darauf hin, dass viele Unternehmen erst kürzlich das Potenzial von Motion Capture für die Robotik entdeckt haben. Die Erfahrung zeigt jedoch, dass die Leistungsfähigkeit eines Roboters direkt mit der Qualität seiner Trainingsdaten korreliert. Wenn die Daten approximativ sind, wird es auch das Verhalten des Roboters sein. Das System von Vicon erlaubt es, Menschen, Roboter und die von ihnen gehandhabten Objekte im selben Raum simultan zu erfassen, was eine unabhängige Ground Truth schafft.

Validierung als kritischer Erfolgsfaktor

Neben der Generierung neuer Daten übernimmt das Labor eine weitere wichtige Funktion: die unabhängige Validierung. Roboter generieren intern eigene Leistungsdaten, doch diese sind oft subjektiv oder durch die Architektur des Systems verzerrt. Durch den Abgleich der internen Roboterdaten mit den externen, hochpräzisen Messungen des Labors kann Innodata objektiv bewerten, wie nah die tatsächliche Bewegung am Zielmodell liegt.

Dieser Prozess der Validierung ist entscheidend für den Einsatz von Robotern in öffentlichen oder industriellen Räumen. Bevor eine Maschine in einer Fabrik oder einem Krankenhaus eingesetzt wird, muss ihre Bewegungspräzision zertifiziert sein. Die Kombination aus Datenerhebung und unabhängiger Prüfung macht das Labor zu einer Referenzstelle für führende Entwickler von Humanoiden und KI-Forschungslabore.

Strategische Ausrichtung von Innodata

Innodata, das bereits 1988 gegründet wurde, positioniert sich damit als essenzieller Infrastrukturgeber für die Ära der physischen KI. Das Unternehmen vertritt die These, dass Daten und KI untrennbar miteinander verbunden sind. Während die erste Welle der KI-Revolution primär auf Software und Sprache basierte, verschiebt sich der Fokus nun auf die physische Manifestation dieser Intelligenz.

Durch die Bereitstellung von hochwertigen Daten und Evaluierungsrahmen ermöglicht Innodata es Unternehmen, KI-Systeme im großen Maßstab aufzubauen, denen sie vertrauen können. Die Fähigkeit, physische Interaktionen präzise zu quantifizieren, reduziert das Risiko bei der Entwicklung und beschleunigt den Weg vom Prototyp zum marktreifen Produkt. Die Investition in diese Infrastruktur zeigt, dass der Engpass der Robotik nicht mehr primär in der Mechanik, sondern in der Datenqualität liegt.

Bedeutung für den DACH-Markt und den deutschen Mittelstand

Für Unternehmen in Deutschland, Österreich und der Schweiz hat diese Entwicklung eine hohe Relevanz, insbesondere im Kontext von Industrie 4.0 und der starken Tradition im Maschinenbau. Der deutsche Mittelstand verfügt über exzellente Hardware-Kompetenzen, kämpft jedoch oft mit der Implementierung von KI-gesteuerten, flexiblen Systemen, die über starre Programmierung hinausgehen.

Die Verfügbarkeit von präzisen Trainingsdaten für physische KI könnte den Übergang von klassischen Industrierobotern zu kollaborativen, humanoidähnlichen Systemen beschleunigen. In einer Zeit, in der der Fachkräftemangel in der Produktion zunimmt, wird die Fähigkeit, Roboter schnell und sicher für komplexe manuelle Aufgaben zu trainieren, zu einem Wettbewerbsvorteil. Hierbei spielt auch der EU AI Act eine Rolle: Die Forderung nach Transparenz und Sicherheit bei KI-Systemen macht unabhängige Validierungsmethoden, wie sie das Innodata-Labor anbietet, nahezu unverzichtbar.

Deutsche Unternehmen könnten von solchen Ansätzen profitieren, indem sie ihre Hardware mit validierten Datensätzen kombinieren, um die Zertifizierung ihrer Systeme zu vereinfachen. Die Integration von hochpräzisem Motion Capture in die Entwicklungskette erlaubt es, die Sicherheitsstandards zu erhöhen und gleichzeitig die Effizienz der Bewegungsabläufe zu optimieren, was direkt in eine höhere Produktivität in der Fertigung führt.

Häufige Fragen

---

Quellen: Therobotreport, Finance, Digitaljournal ·