SenseTime stellt auf der WAIC aus: Von der Navigation bis zur Datenerfassung – die entscheidende Lücke für die praktische Umsetzung von Embodied Intelligence wird geschlossen

Juli 2026, WAIC in Shanghai.

Beim Betreten des Ausstellungsbereichs für Embodied Intelligence herrscht eine subtile Atmosphäre, die aus einer Mischung aus Besorgnis und Begeisterung über den gesamten Pavillon verteilt ist. Auf der WAIC vor zwei Jahren wagten sich hier nur 18 Unternehmen an das neue Terrain; im letzten Jahr stieg die Zahl bereits sprunghaft auf 80; in diesem Jahr hat die Zahl der ausstellenden Unternehmen unbemerkt die Marke von 200 überschritten.

Hinter dieser Wachstumsrate, die schneller als das Mooresche Gesetz verläuft, stehen nicht nur verschiedene Endanwender, die ihre Stärken voll ausspielen; da die Architekturvorteile von Modellalgorithmen eine vorübergehende Engstelle erreicht haben, treten auch die Anbieter der Dateninfrastruktur, die früher im Verborgenen agierten – allen voran die Visionary Tech – ins Rampenlicht.

1. Warum Daten die Achillesferse der Embodied Intelligence sind

Um die Bedeutung von Daten für die Embodied Intelligence zu verstehen, ist das autonome Fahren das beste Vergleichsbeispiel.

Betrachtet man die Embodied Intelligence als eine Kette verschiedener Schritte, so ist das intelligente Fahren lediglich eine spezifische Teilaufgabe im großen Panorama der Embodied Intelligence. Doch selbst Giganten wie Tesla und die zahlreichen neuen Elektroautohersteller in China, die seit fast einem Jahrzehnt mit Millionen von Nutzerdaten arbeiten, die kontinuierlich in die Cloud geladen werden, sind bei der Bewältigung verschiedener unvorhersehbarer Randfälle immer noch äußerst vorsichtig.

Die Szenarien, mit denen die Embodied Intelligence konfrontiert ist, sind um mehr als eine Größenordnung komplexer als die des autonomen Fahrens:

Auf der ersten Ebene steht die geometrische Erweiterung von 2D zu 3D: Autos müssen nur Bewegungen in der X-Y-Ebene verarbeiten, während die Hand-Auge-Koordination von Robotern in einem vollständig offenen dreidimensionalen Raum stattfindet.

Auf der zweiten Ebene steht die exponentielle Explosion der Freiheitsgrade: Autos haben nur Lenkrad, Gas- und Bremspedale, während humanoide Roboter über Dutzende von Freiheitsgraden (DoF) verfügen – was bedeutet, dass der Bereich möglicher Bewegungen exponentiell zunimmt.

Auf der dritten Ebene herrscht eine gravierende Datenasymmetrie: Im Vergleich zum autonomen Fahren gibt es nur sehr wenige Roboter, die hochwertige Datenrückmeldungen liefern können.

Noch wichtiger ist, dass die Embodied Intelligence keine gewöhnlichen Videodaten benötigt, sondern körperliche Erfahrungen mit räumlicher Struktur und Aufgabenlogik.

„Im Internet gibt es Unmengen an Videos, aber für die Embodied Intelligence sind Videos ohne zuverlässige Positions- und Orientierungsdaten nur nutzloses Rohmaterial“, erklärte ein Experte von der Visionary Tech offen. „Eine 2D-Karte muss nur eine Ebene beschreiben, während ein Roboter seine absolute Position, Orientierung, Bewegungsbahn und den Aufgabenstatus im 3D-Raum kennen muss. Nur Daten mit stabilen Bahnen, Zeitsynchronisation, räumlicher Ausrichtung und Qualitätsbewertung zählen als trainierbare siliziumbasierte Erfahrungen. Und dafür werden Daten aus SLAM/VIO, robusten 6DoF-Bahnen, Echtzeitausgabe und Bahnbewertung benötigt.“

In den letzten mehr als einem Jahr hat die Visionary Tech genau diese Datenwüste erkannt und mit grundlegenden Komponenten wie der Insight Spatial Intelligence Camera und der TinyNav-Navigationsalgorithmusbibliothek Kooperationen mit einer Reihe führender Großunternehmen abgeschlossen.

Doch in diesem Jahr stellte die Visionary Tech fest, dass die Branchenengstelle nicht mehr nur auf einzelne Hardware oder Navigationsalgorithmen beschränkt ist. Eine skalierbare, überprüfbare und wiederverwendbare Dateninfrastruktur mit geschlossenem Kreislauf ist die Grundlage für die schnelle Weiterentwicklung aller Embodied-Intelligence-Endgeräte.

Aus diesem Grund stellte das Unternehmen, das sich als Anbieter von physischer KI-Infrastruktur positioniert, auf seinem WAIC-Stand in diesem Jahr zwei repräsentative Produkte vor: das Looper Embodied Intelligence Datenerfassungssystem und das NavCore Embodied Intelligence Autonavigations-Gehirn.

Sie zielen genau auf die beiden größten Probleme der Embodied-Intelligence-Branche im Datenbereich ab: Wie man hochwertige Daten aus der realen Welt in großem Maßstab erzeugt und wie Roboter eine äußerst stabile Umgebungs wahrnehmung und autonome Navigation erreichen.

2. Das Looper-Datenerfassungssystem: Roboter mit Lernfähigkeit aus der Egoperspektive ausstatten

Auf dem Gebiet der Datenerfassung für Embodied Intelligence gibt es derzeit drei gängige technische Ansätze: Teleoperation + VR, tragbare Mehrkamerasysteme und fest installierte Mehrkamera-Studios.

Der größte Vorteil der Teleoperation liegt darin, dass sie direkt Bewegungsdaten von Robotern liefern kann, was für das Training von Roboterausführungsstrategien geeignet ist. Sie erfordert jedoch normalerweise spezielle Geräte, hat hohe Erfassungskosten und eine begrenzte Effizienz – zudem wird die Datenverteilung leicht durch die Form des Roboters und die Betriebsweise eingeschränkt.

Die fest installierte Mehrkamera-Erfassung zeichnet sich durch eine hohe Kontrollierbarkeit aus und liefert hochwertige Daten aus mehreren Perspektiven. Sie ist jedoch an spezifische Orte und Geräte gebunden und kann viele reale Aufgaben und seltene Szenarien in Haushalten, Fabriken und Gewerbebereichen kaum abdecken.

Vor diesem Hintergrund wählte Looper den egozentrischen Mehrperspektiven-Ansatz – sein Kerngedanke lautet: Menschen sollen Aufgaben aus der Perspektive des Roboters erledigen und so ihre über Jahrtausende angesammelten körperlichen Erfahrungen unbemerkt und kostengünstig in digitale Vermögenswerte umwandeln, die Roboter verstehen.

In der Fachwelt gilt dieser Ansatz, der der menschlichen Wahrnehmung bei der Aufgabenerledigung am nächsten kommt, als der vielversprechendste Weg, um reale Szenariendaten zu relativ geringen Kosten in großem Maßstab zu erfassen.

In der Konfiguration verwendet Looper die goldene Kombination aus Kopf- und Handkameras als Mehrperspektiven-Lösung: Die Insight-Kamera am Kopf zeichnet visuelle Informationen aus der Egoperspektive, die räumliche Umgebung und die eigene Bewegungsbahn auf; die Handkameras erfassen Nahaufnahmen von Bedienvorgängen, einschließlich Handbewegungen, Objektinteraktionen und lokalen räumlichen Veränderungen; ein Rucksack bietet Edge-Computing, synchrone Aufzeichnung und Datenspeicherung.

Dabei handelt es sich keineswegs um eine einfache Anbringung mehrerer Kameras zur Videoaufzeichnung. „Es ist einfach, Daten zu erfassen – aber die Erfassung nutzbarer Daten ist die eigentliche Hürde. Looper erfasst nutzbare, hochwertige Daten“, erklärte Yan Qinrui, Mitbegründer und Chief Operating Officer (COO) der Visionary Tech. Während der Datenerfassung ist die räumliche und zeitliche Ausrichtung zwischen mehreren Kameras ein sehr kritisches Branchenproblem. Wenn Bilder, Tiefendaten, Inertialdaten (IMU) und Positionsbahnen aus verschiedenen Perspektiven nicht in ein und demselben Raum-Zeit-Koordinatensystem hochfrequenzsynchron gehalten werden, geraten die trainierten Roboter in ihrer Bewegung durcheinander.

Um dieses Problem zu lösen, entschied sich die Visionary Tech für einen technischen Ansatz, bei dem die 6DoF-Bahnberechnung von VSLAM direkt auf dem Endgerät durchgeführt und ausgegeben wird.

Bisher war es in der Branche üblich, einen ganzen Tag lang Daten zu erfassen, sie dann über Tage auf Servern offline für die 3D-Rekonstruktion zu verarbeiten – nur um dann festzustellen, dass die Datenausrichtung fehlschlug und die gesamte Charge unbrauchbar wurde. Mit Looper, das VSLAM direkt auf dem Endgerät ausgibt, kann die räumliche Position jedes Bildes vor Ort in Echtzeit ermittelt werden – ungeeignete Aufnahmen werden sofort neu erfasst.

Ein weiterer Vorteil dieses Verfahrens liegt darin, dass Bilder, IMU- und 6DoF-Bahnen auf dem Endgerät von Natur aus ausgerichtet sind, sodass die nachfolgenden Kosten für 3D-Rekonstruktion und Aufgabenunterteilung drastisch sinken.

Bei der späteren Abfrage erhalten Kunden keine ungeordneten Videodateien, sondern hochwertige Erfahrungs Pakete, die präzise nach räumlichen Bereichen, Bewegungsbahnen und Aufgabenphasen durchsucht werden können – sodass rohe Videos wirklich zu erlernbaren und überprüfbaren Daten werden.

Berichten zufolge plant die Visionary Tech zudem die Einführung einer neuen Generation von Datenerfassungs-Headsets mit vier Weitwinkelkameras, deren Kernverbesserungen auf leichtes Tragen und uneingeschränkte natürliche Erfassung abzielen. Das neue Konzept wird die hierarchische menschliche Wahrnehmungslogik nachbilden: Mit dem peripheren Blick wird die gesamte Umgebung erfasst, während der Fokus auf interagierenden Objekten vor dem Körper liegt – wodurch die Datenerfassung für Roboter auf der Ebene der Wahrnehmung grundlegend verbessert wird.

3. Das NavCore-Navigationsgehirn: Wie Roboter von „sich bewegen können“ zu „sich geschickt bewegen“ gelangen

Wenn Looper das Problem der Datenerzeugung löst, dann befasst sich NavCore mit der autonomen Navigation von Robotern.

In der Vergangenheit agierten Embodied-Intelligence-Unternehmen im Bereich Navigation fast wie fortgeschrittene Systemintegratoren:

Sie kauften Kameras bei Anbieter A, wählten Rechenplatinen bei Anbieter B, erwarben Lokalisierungsalgorithmen bei Team C – und dann verbrachten die Entwicklerteams unzählige Nächte damit, Treiber zu schreiben, Sensoren abzustimmen und Zeitstempel auszurichten.

Hinzu kamen mühsame, zeitraubende Aufgaben vor Ort: häufige Verbindungsabbrüche bei drahtlosen Netzwerken, ungleichmäßige Stromversorgung mehrerer Platinen und Schnittstellenanpassungen – die eine Menge Entwicklungsressourcen verschlangen.

Darüber hinaus verstärkt eine geringe Verzögerung der Kamera in der gesamten Kette die Lokalisierungsfehler, die wiederum die globale Karte beeinträchtigen. Langsame Kartenaktualisierungen führen dazu, dass die Pfadplanung gegen Wände stößt. Jede Störung in einem beliebigen Schritt kann direkt zum Scheitern der Aufgabe führen.

Ganz zu schweigen davon, dass im Vergleich zu herkömmlichen 2D-Navigationsverfahren die Datenmenge bei der 3D-Navigation bei gleicher Auflösung um mehr als eine Größenordnung steigt – und gleichzeitig der Rechenaufwand für Punktwolkenverarbeitung, Kollisionserkennung und Pfadplanung zunimmt.

Die Komplexität der Softwarealgorithmen hat zugenommen, aber die Hardwarebedingungen sind noch anspruchsvoller geworden: Das autonome Fahren auf 2D-Basis kann den riesigen Platz eines Autos nutzen, während die Embodied Intelligence 3D-Navigationsfähigkeiten auf kostengünstigen eingebetteten Plattformen bereitstellen muss.

Um all diese Probleme zu lösen, verfolgt NavCore als autonomes Navigationsgehirn für Embodied Intelligence den Ansatz der umfassenden Integration und Standardisierung. Es macht die komplexe Roboter-Navigations-Engineering zu einem bereitstellbaren Produkt, sodass Kunden nicht von Grund auf eine Kette aus Wahrnehmung, Rechenleistung, Kartierung, Lokalisierung und Navigation aufbauen müssen.

Auf Hardwareebene nutzt es die NVIDIA Jetson-Serie als Rechenbasis und ist tief in das globale Mainstream-Entwickler-Ökosystem integriert. Gleichzeitig werden die selbstentwickelte Insight Spatial Intelligence Camera, Rechen-, Kommunikations- und Energieverwaltungskomponenten modular integriert, um die Komplexität der Systemintegration zu senken.

Besonders erwähnenswert ist die von der Visionary Tech selbst entwickelte Insight Spatial Intelligence Camera. Herkömmliche Kameras lösen 90 % ihrer Aufgaben, indem sie Bilder an festen Positionen klar aufnehmen – aber im Szenario der Embodied Intelligence sind nicht nur hohe Bildqualität, sondern auch ein großes Sichtfeld, extrem geringe Wahrnehmungsverzögerungen, zuverlässige Sensorsynchronisation und die Fähigkeit erforderlich, unter Bedingungen wie Vibrationen, schnellen Drehungen, schwachem Licht, starkem Licht und dynamischen Verdeckungen kontinuierlich stabile Positionen und Orientierungen auszugeben.

Diese Anforderungen erfordern, dass Objektive, Sensoren, Inertialmesseinheiten, Chips und Algorithmen nicht unabhängig voneinander entwickelt werden. Daher verwendet Insight ein 188-Grad-Weitwinkel-Sichtfeld, eine industrielle Inertialmesseinheit und Edge-Rechenleistung, um visuelle Lokalisierung, Tiefenberechnung und räumliche Wahrnehmung direkt auf dem Gerät durchzuführen – sodass Embodied Intelligence nicht nur sehen, sondern auch komplexe räumliche Beziehungen präzise verstehen kann.

Auf der Ebene der endgültigen Softwarealgorithmen hat die Visionary Tech zudem durch Algorithmus-Kürzungen, Rechenoptimierungen, Hardware-Beschleunigung und Modell-Quantisierung die räumliche Intelligenz, die früher Rechenleistung auf Serverebene erforderte, in kostengünstige Roboter-Endgeräte verpackt – und sorgt für einen langfristig stabilen Betrieb.

Darüber hinaus mussten viele Roboterprojekte in der Vergangenheit eine vollständige Systemintegration für verschiedene Roboterplattformen und Szenarien neu durchführen – einschließlich Sensorauswahl, Rechenleistungsanpassung, Treiberentwicklung, Koordinatensystem-Kalibrierung, Algorithmenbereitstellung und Vor-Ort-Tests. Dies führte zu langen Entwicklungszyklen für Roboter, schwer übertragbaren Lösungen und ist eine der wichtigsten Engstellen für die großflächige Umsetzung in der Br