Der wahre Kostenfaktor bei der Ausbildung von Robotern

In dem ersten Teil haben wir besprochen, wie Roboter von der Grundmechanik zur Umgebungswahrnehmung evolvieren. In der “letzten Meile”-Phase – wenn Roboter eine post-trainingspezifische, kundenspezifische Aufgabe durchlaufen – taucht eine unerwartete Barriere auf. Sie ist mit Daten verbunden: ihrer Erfassung, Organisation und Skalierung in realen Bedingungen.

Es ist genau in dieser Phase, dass die Lücke zwischen Konzept und Implementierung am deutlichsten wird. Was sind die wichtigsten Engpässe, und wie können sie mit minimalen Reibungsverlusten überwunden werden?

Warum tausende Stunden an Daten zu Jahren an Arbeit werden

Stellen wir uns vor, wir haben bereits einen trainierten Roboter, der eine Vorausbildung durchlaufen hat. Er kann seine Umgebung erkunden, sich bewegen, Hindernisse vermeiden und mit Objekten interagieren. Er ist wie ein “zehnjähriges Kind”, das im Allgemeinen in der Lage ist, selbstständig zu handeln. Der nächste Schritt besteht darin, ihn dazu zu bringen, spezifische Aktionen unter spezifischen Bedingungen auszuführen, beispielsweise das Einbauen von Glasplatten und Dichtungsbändern auf einer Automobilproduktionslinie.

Bei ersten Blick scheint die Aufgabe einfacher. Sie beinhaltet das Beherrschen eines einzigen Szenarios, und der erforderliche Datenvolumen ist wesentlich geringer als bei der Vorausbildung. Während die Grundausbildung möglicherweise Hunderttausende von Stunden erfordert, kann die post-trainingspezifische Ausbildung nur Tausende von Stunden umfassen. Aber diese Zahlen sind irreführend.

Wenn man den Prozess in reale Zeit übersetzt, offenbart er seine wahre Komplexität. Unter einem Standardarbeitszeitplan arbeitet eine Person etwa 160 Stunden pro Monat. Dies bedeutet jedoch nicht, dass all diese Zeit für die Aufzeichnung genutzt werden kann.

In der Praxis treten ständige Unterbrechungen auf: Batterien laufen leer, Kameras verschieben sich, Sensoren versagen. Je komplexer die Ausrüstungskonfiguration ist, desto höher ist die Wahrscheinlichkeit von Problemen. Selbst ein einfacher Ausfall wie das Versagen von Sensoren auf einem Handschuh kann den Prozess stoppen und zu verlorenem Zeit führen.

Als Ergebnis ist die tatsächliche Aufzeichnungsgeschwindigkeit 2-3 Mal geringer. Eine Stunde hochwertiger Aufzeichnung kann bis zu drei Stunden reale Arbeit erfordern. Dies ändert die Berechnung radikal: 5.000 Stunden an Daten entsprechen etwa 15.000 Stunden an Arbeitszeit.

Schichten von Komplexität

Während der Vorausbildung kann es ausreichen, einer Person eine Kamera zu geben und sie aufzufordern, alltägliche Aktivitäten aufzuzeichnen. In dieser Phase jedoch ist der Zugang zu einer spezifischen Umgebung erforderlich, wie z.B. einer Fabrik, einer Baustelle oder einer spezialisierten Produktionsanlage.

Dies führt sofort zu praktischen Einschränkungen. Beispielsweise müssen auf einer Baustelle Arbeiter Schutzhelme tragen, was bedeutet, dass spezielle Ausrüstung entwickelt werden muss: Helme mit integrierten Kameras, die gegen Staub, Feuchtigkeit und Aufprall resistent sind.

Dann kommt der Zugang zur Baustelle selbst. Vereinbarungen müssen mit den Besitzern der Baustelle getroffen, Genehmigungen eingeholt und Bedingungen ausgehandelt werden. Dies beinhaltet fast immer zusätzliche Kosten: Unternehmen erwarten eine Entschädigung, und Arbeiter erwarten eine Bezahlung für ihre Teilnahme.

Versicherung und Sicherheitskonformität werden auch zu kritischen Anliegen. Wenn die Ausrüstung nicht den erforderlichen Standards entspricht, kann die Versicherung ungültig werden, was den gesamten Prozess neu strukturieren würde.

Sogar auf der Ebene des täglichen Betriebs bestehen Herausforderungen. Kameras müssen eingeschaltet, überwacht und gewartet werden. Arbeiter arbeiten in Handschuhen und unter rauen Bedingungen. Ausrüstung wird schmutzig, verschleißt und bricht. Eine Kamera kann nach einigen Minuten abschalten, und die Person bemerkt es möglicherweise nicht einmal.

Dies schafft die Notwendigkeit, dass die Teilnehmer sich selbst ausbilden – sie müssen lernen, wie man die Ausrüstung verwendet. Darüber hinaus ist eine kontinuierliche Überwachung erforderlich – jemand muss sicherstellen, dass die Aufzeichnung fortgesetzt wird und die Geräte ordnungsgemäß funktionieren.

Von rohem Video zu Trainingsdaten

Nach der Aufzeichnung beginnt die nächste Phase: Datenerfassung, Upload, Strukturierung, Validierung der Qualität und Annotation.

Jede rohe Datenmenge besteht aus Video- und Sensorsignalen. Um sie in Trainingsmaterial umzuwandeln, muss sie strukturiert werden: Objekte müssen identifiziert, Aktionen erfasst und Zustände, Bewegungen und Interaktionen mit der Umgebung beschrieben werden. Hier kommt die Annotation ins Spiel. Eine logische Frage stellt sich – was ist der Goldstandard für einen solchen Annotation-Prozess?

In einigen Fällen reichen einfache Begrenzungsboxen aus, um Objekte in einem Frame zu identifizieren. In anderen Fällen ist eine zeitliche Annotation erforderlich, um Sequenzen von Aktionen über die Zeit zu beschreiben. In bestimmten Szenarien werden Schlüsselpunkte und Skelettmodelle verwendet, um Körperbewegungen zu erfassen. In komplexeren Fällen werden 3D-Netze oder Handpose-Tracking verwendet, um die Interaktionsmechanik genau darzustellen. Zusätzliche Sensoren wie Beschleunigungsmesser werden oft integriert, um Bewegungsdynamik und angewandte Kraft zu erfassen.

Projekte wie diese erfordern oft auch die Skalierung des Teams. Die Annotation ist eine große und komplexe Aufgabe, die Zeit, Expertise und erhebliche menschliche Ressourcen erfordert. Hier kommen Datenlösungsanbieter mit internen Annotationsteams ins Spiel. Wie z.B. Keymakr, das sich besonders bewährt hat, da es in der Lage ist, Teams zu skalieren, um jedem Datenvolumen gerecht zu werden, von einem einzigen Spezialisten bis hin zu Hunderten von Annotatoren.

Es gibt noch keinen richtigen Ansatz für die Ausbildung

Die Branche befindet sich noch in einer exploratorischen Phase, da es keine Einigkeit darüber gibt, welche Kombination von Daten die besten Ergebnisse liefert. Viele Ansätze werden empirisch validiert, da sie in bestimmten Experimenten funktionieren. Als Ergebnis setzen verschiedene Teams weiterhin auf unterschiedliche Technologien, die von ihren eigenen Erfahrungen, Aufgaben und Einschränkungen geprägt sind.

Auf akademischer und angewandter Ebene führt dies zu Fragmentierung: Labore und Unternehmen bewegen sich in unterschiedliche Richtungen. Die Situation erinnert an die frühen Tage des autonomen Fahrens, als Tesla auf einen vision-only-Ansatz ohne LiDAR setzte, während die meisten anderen Spieler LiDAR als Kernsensor wählten.

Heute tendieren LiDAR-basierte Systeme dazu, stabilere Leistungen zu demonstrieren, während Teslas Ansatz weiterentwickelt wird. Der Unterschied liegt darin, dass sich der autonome Fahrmarkt weitgehend konsolidiert hat: stabile Architekturen sind entstanden, Einschränkungen sind gut verstanden, und erhebliche Expertise wurde gesammelt.

Im Gegensatz dazu hat die Branche für Physical AI und ähnliche Modelltrainings noch nicht dieses Maß an Reife erreicht. Der Markt ist noch im Entstehen, es fehlen Standards, und der Fortschritt wird weitgehend durch Experimente getrieben. Neue Methoden für die Modelltrainings, die Effizienzsteigerung und die Anpassung an reale Szenarien treten immer noch auf, was darauf hindeutet, dass die wichtigsten Durchbrüche in diesem Bereich noch vor uns liegen.

Der Mensch als Verstärkungssystem

Die Annotation existiert nicht isoliert, noch für das Modell allein. Sie dient als Werkzeug für den Ingenieur, der das Modell aufbaut. Durch sie formalisiert er die Realität, identifiziert Schlüsselparameter und definiert die Verhaltensregeln des Systems.

Die Aufgabe des Ingenieurs besteht darin, das System dazu zu bringen, Aktionen in realen Bedingungen korrekt auszuführen. Beispielsweise kann ein grundlegendes Szenario aus vier Aktionen bestehen: ein Glas aufheben, den Wasserhahn aufdrehen, es füllen und den Wasserhahn abdrehen. Aber in der Realität tritt eine Abweichung auf – das Glas überläuft.

In diesem Moment wird von dem Modell erwartet, dass es das Szenario abschließt und zusätzliche Aktionen ausführt: den Wasserfluss stoppen, das Wasserniveau anpassen und ein Überlaufen verhindern. Dies ist eine Verhaltenslogik, die auf kontextuellem Verständnis basiert.

Der Ingenieur folgt einem Zyklus: Daten annotieren, das Modell trainieren, es testen. Wenn das System funktioniert, wird die Hypothese bestätigt. Wenn nicht, beginnt die Analyse.

Es kann zu einem bestimmten Zeitpunkt klar werden, dass dem Modell ein wichtiger Parameter fehlt, wie z.B. das Füllniveau des Glases. Zuvor mögen die Daten Annotationen für Objekte (Glas, Wasserhahn, Griff) und Aktionen (Öffnen, Füllen, Schließen) enthalten, aber keine Annotationen für den Zustand, wie das Füllniveau.

Dann wird eine neue Schicht zum Prozess hinzugefügt: das Annotieren des Füllniveaus, gefolgt von einer Formalisierung, beispielsweise durch die Definition von allem über 85% als kritischen Zustand.

Dies führt zu der nächsten Iteration des Trainings. Es können Hunderte solcher Iterationen geben.

Niemand geht davon aus, dass das System sofort korrekt funktioniert. Im Gegenteil, der Prozess ist auf sukzessive Annäherungen aufgebaut: zunächst wird eine Basisversion erstellt; dann wird sie in realen oder nahezu realen Bedingungen getestet; Lücken werden identifiziert; und das System wird verfeinert. Dies ist etwas, das ich oft mit Kunden bei Introspector bespreche, mit denen wir gemeinsam den gesamten Physical-AI-Prozess durchlaufen.

An einem bestimmten Punkt wird das gewünschte Ergebnis erreicht. Aber sein Wert liegt nicht nur darin, dass das System beginnt zu funktionieren, sondern in der gesammelten Erfahrung, die es ermöglicht, dieses Ergebnis reproduzierbarer zu erreichen.

Die Ökonomie, die jeder vergisst

In den letzten Jahren habe ich bemerkt, dass der größte Fehler, den Unternehmen bei der Arbeit mit egozentrischen Daten machen, wenig mit der Technologie zu tun hat.

Das Kernproblem liegt tatsächlich in der Unterschätzung der Projektökonomie.

Bei der Ideenphase steht die Technologie im Mittelpunkt – welche Modelle zu verwenden sind, wie sie trainiert werden sollen und welche Ansätze angewendet werden sollen. Man studiert, forscht, diskutiert Architekturen und testet Hypothesen. Dies ist natürlich: die Technologie fühlt sich wie der greifbarste und offensichtlichste Teil des Problems an.

Aber viel seltener stellen Teams an dieser Stufe eine direkte und praktische Frage: wie viel wird es kosten?

Wenn ein Projekt von der Theorie zur Implementierung übergeht, wird klar, dass hinter jedem Modell Zehntausende von Stunden an Daten stehen. Die Erfassung dieser Daten erfordert Zeit, Zugang zu realen Umgebungen und die Beteiligung von Spezialisten. Die Annotation fügt eine weitere Schicht von Komplexität und Kosten hinzu. Als Ergebnis sind die endgültigen Zahlen oft um Größenordnungen höher als ursprünglich erwartet.

Dies bedeutet nicht, dass solche Projekte nicht verfolgt werden sollten. Im Gegenteil, sie sind es, die die Branche vorantreiben.

Aber was zählt, ist das Verständnis des Umfangs der Herausforderung von Anfang an. Die Erkenntnis, dass bei der Modelltrainingsarbeit hinter jedem großartigen Algorithmus komplexe, ressourcenintensive Datenarbeit steckt.

Even starke Ideen scheitern daran, die vollständige Implementierung zu erreichen, wenn die Datenkosten auf über sieben Ziffern ansteigen.

Und vielleicht ist die wichtigste Veränderung, die heute in der Robotik stattfindet, mit dieser Erkenntnis verbunden. Die Zukunft dieser Systeme wird durch ihre “Intelligenz” und durch die Effektivität und Präzision der gesamten Datenpipeline bestimmt – von der Datenerfassung bis zur endgültigen Interpretation.