51Worlds AperEgo und AperOS: Mehr Trainingsdaten für humanoide Roboter

Damit soll eine Verbindung zwischen Wahrnehmung und körperlicher Handlung entstehen. Eine Aufzeichnung zeigt folglich nicht nur, was sich vor einer Person befindet, sondern auch, wie sie sich bewegt und mit ihrer Hand auf einen Gegenstand einwirkt. Gerade für Roboter, die feinmotorische Aufgaben erlernen sollen, kann diese Kombination relevant sein.

Welche Aufgabe AperOS übernimmt

AperOS nimmt die von AperEgo erfassten multimodalen Daten entgegen und prüft sie auf ungültige Aufzeichnungen, bevor sie hochgeladen und weiterverarbeitet werden. Nach Angaben von 51World verringert dieser Filterprozess den benötigten Speicherplatz und die erforderliche Rechenleistung. Gleichzeitig soll ein besser nutzbarer Datensatz für die Modellentwicklung entstehen.

Der vorgesehene Ablauf lässt sich in fünf Schritte gliedern:

1. Aufzeichnen: AperEgo erfasst visuelle, Bewegungs- und Audiodaten aus der Ich-Perspektive, während eine Person eine Aufgabe erledigt.
2. Handbewegungen ergänzen: Sensoren an Handgelenk und Fingern dokumentieren das Greifen, Erreichen und Manipulieren von Gegenständen.
3. Signale synchronisieren: Die verschiedenen Datenströme werden zeitlich aufeinander abgestimmt, damit sie dieselbe Handlung gemeinsam beschreiben.
4. Daten filtern: AperOS entfernt Aufzeichnungen, die das Unternehmen als ungültig einstuft, bevor sie hochgeladen und weiterverarbeitet werden.
5. Für das Training aufbereiten: Die verbleibenden Daten können zur Entwicklung von Embodied-AI-Modellen und zur Verbesserung von Robotik-Trainingsprozessen dienen.

Welche Leistungsverbesserung 51World verspricht

Der CEO von 51World, Li Yi, erklärt, dass die integrierte Kombination aus Hardware und Software die Datenpräzision auf 99 Prozent steigern könne. Seiner Darstellung zufolge soll eine höhere Präzision das Lernen von Robotern genauer und effizienter machen. Die Vorteile beträfen die Datenerfassung, die Nutzung der Daten, das Modelltraining und die Verallgemeinerung – also die Fähigkeit eines Modells, Gelerntes auf neue Situationen zu übertragen.

Diese Zahl ist jedoch als Angabe des Unternehmens einzuordnen und nicht als unabhängig bestätigtes Benchmark-Ergebnis. Die vorliegenden Berichte nennen weder ein externes Testverfahren noch einen Vergleichsdatensatz oder eine unabhängige Überprüfung des 99-Prozent-Werts. Sauberere Demonstrationsdaten können das Training verbessern. Das Verhalten eines fertigen Roboters hängt aber auch vom Modell, der Robotik-Hardware, der konkreten Aufgabe, der Einsatzumgebung und der jeweiligen Bewertungsmethode ab.

Warum die Datenebene für humanoide Roboter entscheidend ist

Humanoide Roboter müssen Wahrnehmung und Bewegung in wechselnden, unvorhersehbaren Umgebungen koordinieren. Hochwertige Aufzeichnungen menschlicher Handlungen könnten Entwicklern dabei helfen, zuverlässigere Reaktionen auf Gegenstände, Räume und feinmotorische Aufgaben zu trainieren. 51World baut damit nicht selbst einen humanoiden Roboter, sondern zielt auf die Datenpipeline hinter der verkörperten KI.

Der Zeitpunkt ist wirtschaftlich relevant: In China sollen humanoide Roboter zunehmend aus der Prototypphase in praktische Anwendungen übergehen. TrendForce prognostiziert, dass der chinesische Markt 2026 ein Volumen von 15 Milliarden Yuan (2,2 Milliarden US-Dollar) erreichen wird. Für 2027 erwartet das Marktforschungsunternehmen ein Wachstum von mindestens 60 Prozent, getragen von steigender Produktion und einem breiteren Einsatz in Bereichen wie Automobilindustrie, 3C-Elektronik, Luft- und Raumfahrt, Logistik und Energie.

Die Marktprognose belegt nicht, dass AperEgo oder AperOS dieses Wachstum auslösen werden. Sie zeigt jedoch, weshalb Werkzeuge zum Sammeln, Filtern und Organisieren physischer Trainingsdaten strategisch wichtiger werden: Je mehr Roboter vom Vorführmodell zum praktisch einsetzbaren System werden, desto stärker brauchen Entwickler standardisierte und skalierbare Datenprozesse.