06Referenzrahmen
Eine gemeinsame Sprache für Robotik jenseits der Fabrik
Vier Achsen, um jedes nicht industrielle Robotersystem (Humanoide, Vierbeiner, autonome Fahrzeuge und Drohnen) nach technologischer Reife, Betriebssicherheit und Kapitalrendite einzuordnen.
Zuletzt geprüft: 2026-11Methodik und Quellen →
01 · Geltungsbereich und Überblick
Robotik für Orte, die niemand für Roboter entworfen hat
Der Rahmen umfasst Plattformen, die außerhalb kontrollierter Industrieumgebungen arbeiten: extreme Dynamik, unstrukturierte Infrastruktur und widrige oder wechselnde Bedingungen. Wir ordnen die Entwicklungen vier physischen Bauformen zu.
- HUM
Humanoide
Systeme in Menschengestalt (zweibeinig oder auf Radbasis) mit geschickter Manipulation, die für Menschen gestaltete Werkzeuge und Infrastruktur nutzen sollen.
12 im Explorer
- MAN
Mobile Manipulatoren
Rad- oder Kettenbasis mit einem oder mehreren Armen: Sie bewegt Kartons, be- und entlädt Lkw oder kommissioniert Teile, ohne Menschengestalt.
2 im Explorer
- QDR
Vierbeiner
Plattformen mit Gelenkbeinen, hoher Traktion und Stabilität auf unebenem Gelände, Treppen und Fels.
7 im Explorer
- UGV
Bodenfahrzeuge
Rad- oder Kettensysteme für Lastentransport, Logistik und Inspektion über große Distanzen.
6 im Explorer
- UAV
Drohnen und Flugroboter
Dreh- oder Starrflügler für Überwachung, vertikale Inspektion, Expresslogistik und Schwärme.
6 im Explorer
02 · Strategische Ziele
Vom Anbieterkatalog zum betrieblichen Bedarf
Die operative Lücke schließen
Verbinden, was Robotikanbieter können, mit dem, was der Betrieb tatsächlich braucht.
Die Kriterien vereinheitlichen
Ein gemeinsames Vokabular, um jede Plattform anhand von drei Fragen zu bewerten:
- Reife
- Welche Autonomiestufe erreicht sie dauerhaft, und in welchem Betriebsbereich?
- Sicherheit
- Wann und wie greift ein Mensch ein, und was geschieht, wenn die Verbindung abbricht?
- ROI
- Wann amortisiert sie sich gegenüber dem manuellen Betrieb, einschließlich der Gesamtbetriebskosten?
Die vier Achsen
Jeder Roboter wird durch vier Koordinaten beschrieben
Es sind kategoriale, voneinander unabhängige Dimensionen: Eine Drohne kann hohe Autonomie und keinerlei Koordination aufweisen, ein Humanoide eine reichhaltige Wahrnehmung und teleoperierte Steuerung.
Achse 1 · Autonomie und Entscheidungsfindung
Sechs Stufen, von der Teleoperation zur verteilten Autonomie
Die Stufe beschreibt die typische operative Autonomie in realen Einsätzen, nicht den Höchstwert aus dem Prospekt. Wählen Sie eine Stufe, um zu sehen, welche Plattformen des Explorers sich heute dort befinden.
Diese Skala von 0 bis 5 ist ein von dieser Website für nicht industrielle Robotik angepasster Rahmen. Sie orientiert sich an den Stufen der Fahrautomatisierung nach SAE J3016 und am ODD-Konzept, ist aber keine offizielle Norm und ersetzt keine Zertifizierung.[DIN Media, 2026] Die Grundbegriffe (Autonomie, Serviceroboter) folgen dem genormten Vokabular nach ISO 8373.[ISO, 2021]
S4
Hohe Autonomie
Arbeitet kontinuierlich ohne menschliches Eingreifen innerhalb eines abgegrenzten Betriebsbereichs (ODD).
Plattformen auf dieser Stufe
Schlüssel: der Betriebsbereich (ODD)
Das Konzept stammt aus SAE J3016; die Norm ISO 34503 definiert den ODD als die Betriebsbedingungen, unter denen ein automatisiertes Fahrsystem für den sicheren Betrieb ausgelegt ist, und beschreibt ihn über feste Szenerieelemente (Straßen, Ampeln), Umgebungsbedingungen (Wetter, Konnektivität) und dynamische Elemente (Verkehr). In diesem Rahmen übertragen wir dieselbe Idee auf Roboter: Stufe 4 ist nur innerhalb eines ausdrücklich definierten ODD sinnvoll, und derselbe Roboter kann in einem bekannten Umspannwerk S4 und in neuem Gelände S2 sein.[ISO, 2023]
Achse 2 · Vernetzung und Multi-Roboter-Koordination
Vom isolierten Roboter zur Schwarmintelligenz
Die Kommunikationstopologie bestimmt Skalierung, Resilienz und das, was geschieht, wenn ein Knoten ausfällt.
Eigenständig
12 PlattformenKeine Kommunikation zwischen Robotern; jede Einheit arbeitet isoliert.
- Keine Netzabhängigkeit
- Skalierung = Anzahl der Bediener
- Isolierter Ausfall
Koordiniert
21 PlattformenTeilt Zustand und Telemetrie über eine Basisstation oder einen zentralen Server.
- Basisstation oder Cloud
- Zentrale Flottenplanung
- Single Point of Failure
Kollaborativer Schwarm
0 PlattformenDezentrale Entscheidungen über ein Peer-to-Peer-Mesh-Netz; Aufgaben werden nach Fähigkeit und Position jedes Knotens verteilt.
- Peer-to-Peer-Mesh / MANET
- Dynamische Aufgabenverteilung
- Schrittweise Leistungsminderung
Achse 3 · Wahrnehmung und Umgebungserfassung
Kein Sensor sieht alles: Entscheidend ist die Fusion
Jede Modalität hat einen blinden Fleck. Ausgereifte Plattformen kombinieren mehrere, um Lokalisierung und Erkennung auch bei Dunkelheit, Nebel, Staub oder ohne GNSS aufrechtzuerhalten.
3D-LiDAR
11/33- + Liefert:
- Präzise 3D-Geometrie, bei Tag und Nacht
- − Grenze:
- Kosten; beeinträchtigt durch dichten Nebel und Regen
Stereokameras / VIO
10/33- + Liefert:
- Leicht, Grundlage der VIO ohne GPS
- − Grenze:
- Abhängig von Licht und Textur
RGB-D-Tiefenkameras
9/33- + Liefert:
- Dichte Tiefeninformation im Nahbereich
- − Grenze:
- Geringe Reichweite, empfindlich gegenüber Sonnenlicht
RGB-Kameras
22/33- + Liefert:
- Reichhaltige Semantik für Bildverarbeitungsmodelle
- − Grenze:
- Keine direkte Tiefe; versagt bei Dunkelheit
Wärmebild / Infrarot
10/33- + Liefert:
- Erkennt Wärme: Personen, Lecks, Hotspots
- − Grenze:
- Geringe Auflösung, weder Farbe noch Textur
mmWave-Radar
2/33- + Liefert:
- Durchdringt Nebel, Staub und Rauch; misst Geschwindigkeit
- − Grenze:
- Geringe Winkelauflösung
GNSS / RTK
10/33- + Liefert:
- Zentimetergenaue globale Position mit RTK
- − Grenze:
- Unbrauchbar unter Tage oder bei Störsendern
IMU
22/33- + Liefert:
- Bewegung mit hoher Frequenz, immer verfügbar
- − Grenze:
- Die Drift wächst ohne Korrekturen
2D-LiDAR
0/33- + Liefert:
- Günstig und zuverlässig für Ebenen in Innenräumen
- − Grenze:
- Nur eine Ebene: übersieht hohe oder niedrige Hindernisse
Taktile / haptische Sensoren
6/33- + Liefert:
- Kraft und Schlupf bei der Manipulation
- − Grenze:
- Liefert nur bei Kontakt Informationen
Ultraschall
2/33- + Liefert:
- Günstige Nahbereichserkennung, transparente Oberflächen
- − Grenze:
- Geringe Reichweite, geringe Präzision
Laufzeitsensoren (ToF)
1/33- + Liefert:
- Abstandsmessung im Nahbereich, günstig und kompakt
- − Grenze:
- Geringe Reichweite; beeinträchtigt durch starkes Sonnenlicht und dunkle Oberflächen
Akustik / Ultraschall-Leckortung
3/33- + Liefert:
- Gas- oder Luftlecks und Lagerschäden
- − Grenze:
- Industrielle Umgebungsgeräusche
Gasdetektion
2/33- + Liefert:
- Konzentration gefährlicher Gase
- − Grenze:
- Punktuelle Messung, erfordert Kalibrierung
PTZ-Zoomkamera
4/33- + Liefert:
- Optischer Zoom zum Ablesen von Manometern aus der Ferne
- − Grenze:
- Schmales Sichtfeld
Sensorfusion und SLAM
Simultane Lokalisierung und Kartierung (SLAM) ermöglicht es einem Roboter, ohne GPS zu wissen, wo er sich befindet. Die typische Verarbeitungskette umfasst fünf Stufen:
- 01Sensoren
LiDAR, Kameras, IMU, Rad- oder Beinodometrie
- 02Odometrie (Front-End)
Merkmalsextraktion und visuell-inertiale (VIO) oder LiDAR-Odometrie
- 03Filter
Erweiterter oder Unscented-Kalman-Filter (EKF/UKF), der Schätzungen mit hoher Frequenz fusioniert
- 04Optimierung (Back-End)
Faktorgraph-Optimierung und Schleifenschluss zur Korrektur der Drift
- 05Karte + Pose
Eine konsistente 3D-Karte und die Position des Roboters darin
Lokalisierung ohne GPS (GPS-denied)
In Tunneln, Bergwerken, Innenräumen oder bei Störungen fällt GNSS aus. VIO schätzt die Bewegung, indem es aufeinanderfolgende Bilder mit der IMU vergleicht; LiDAR-SLAM gleicht Punktwolken ab; und der Schleifenschluss erkennt bereits besuchte Orte wieder, um die aufgelaufene Drift aufzuheben.
Achse 4 · Steuerungs- und Betriebsmodi
Vom FPV-Piloten zur gelernten Strategie
Der Steuerungsmodus gibt an, wie viel des Verhaltens ein Ingenieur programmiert, ein Pilot ausführt oder ein neuronales Netz lernt.
- 01
FPV-Steuerung
Videoverbindungen mit geringer Latenz (<50 ms) für Manöver auf engem Raum. Der Pilot ist das Wahrnehmungssystem.
1/33 - 02
Teleoperation
Der Roboter stabilisiert und schützt sich; der Mensch entscheidet jede Bewegung. Grundlage der Datenerfassung für Imitationslernen.
25/33 - 03
Überwachte Mission
Aufgezeichnete oder programmierte Missionen, die der Roboter wiederholt; der Bediener genehmigt Ausnahmen an einer Konsole.
27/33 - 04
BVLOS-Flotte
Ein Bediener überwacht mehrere Einheiten außerhalb der Sichtweite. Erfordert Detect-and-Avoid und eine behördliche Genehmigung.
5/33 - 05
Gelernte Strategie (RL/VLA)
Mit bestärkendem Lernen trainierte Netze oder Vision-Language-Action-Modelle, oft mit physikinformierten neuronalen Netzen (PINN) für Gang und Manipulation.
14/33
Sim-to-Real: in der Simulation trainieren, in der realen Welt einsetzen
Fortbewegungsstrategien werden über Millionen von Schritten in parallelen Simulatoren mit Domain Randomization (Reibung, Massen, Latenzen, Sensorrauschen) trainiert, damit sie in der Realität bestehen. Die verbleibende Lücke wird durch Feinabstimmung im Feld und Teleoperationsdaten geschlossen.
- Massive Simulation
- Domain Randomization
- Einsatz
- Feinabstimmung im Feld
Praktische Anwendung
So wenden Sie die Taxonomie bei der Bewertung eines Anbieters an
Jede Achse lässt sich in überprüfbare Fragen übersetzen. Verlangen Sie Belege für einen realen Betrieb in einem Bereich, der Ihrem ähnelt, keine inszenierten Demos.
- Autonomie
Frage: In welchem konkreten Betriebsbereich (ODD) wurde die angegebene Stufe nachgewiesen?
Einzufordernde Evidenz: Protokolle realer Missionen mit menschlichen Eingriffen pro Stunde und deren Ursachen, unter Bedingungen, die mit Ihren vergleichbar sind.
- Koordination
Frage: Was tut jeder Roboter, wenn er die Verbindung zur Basisstation oder zur Cloud verliert?
Einzufordernde Evidenz: Dokumentiertes Verhalten bei Verbindungsabbruch: welche Aufgaben weiterlaufen, welche ausgesetzt werden und wie die Mission wieder aufgenommen wird.
- Wahrnehmung
Frage: Welche Sensoren umfasst die angebotene Konfiguration – nicht der Katalog –, und wie lokalisiert sie sich ohne GNSS?
Einzufordernde Evidenz: Tests mit Staub, Regen, schwachem Licht oder Reflexionen und die an Ihrem Standort erreichte Lokalisierungsgenauigkeit.
- Steuerung
Frage: Welcher Teil der Mission wird teleoperiert, und wie wurde die gelernte Strategie trainiert und validiert?
Einzufordernde Evidenz: Validierungsprozess (Simulation und reale Daten), Häufigkeit der Updates und wie eine Version zurückgerollt wird.
- Spezifikationen
Frage: Unter welchen Bedingungen wurde jede Zahl gemessen, und wie hoch ist die Betriebsdauer mit Ihrer tatsächlichen Nutzlast?
Einzufordernde Evidenz: Ein Datenblatt mit Messbedingungen (Nutzlast, Geschwindigkeit, Temperatur) und ein Test mit Ihrer Konfiguration.
Visualisierungsmethodik
Warum wir keine Netzdiagramme verwenden
Die Achsen dieser Taxonomie sind qualitativ und nicht linear. Ein Netzdiagramm ordnet ihnen willkürliche Zahlen zu, und die Fläche des Polygons – das, was das Auge liest – ändert sich allein durch die Reihenfolge der Achsen.
Gleiche Daten, andere Achsenreihenfolge
Derselbe Roboter wirkt in der einen Reihenfolge „leistungsfähiger“ als in der anderen.
Was wir empfehlen
Diagramm mit parallelen Koordinaten
Zeichnet für jedes Modell ein durchgehendes Profil über senkrechte Achsen und macht Design- und Reifemuster sichtbar, ohne eine einzige skalare Kennzahl zu erzwingen.
Diagramm öffnen →Interaktive Klassifizierungsmatrix
Eine zweidimensionale Oberfläche, die Autonomiestufe und Koordinationsfähigkeit kreuzt, um Systemarchitekturen abzubilden.
Matrix öffnen →Und der Markt?
Die Automatisierungsmatrix „Aufgaben × Markt“ (Anwendungsfall, Roboterfamilie, Autonomie, Sensorfusion und geschätzter ROI) finden Sie im ROI-Rechner.
Automatisierungsmatrix ansehen →