Zum Inhalt springen
Zurück zu santismm.com
Physical AIby Santi

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.

Geschäftlicher BedarfTechnische Fähigkeiten
Inspektion rund um die Uhr, ohne Personal zu gefährdenAutonomie S4 + automatisches Andocken
Betrieb ohne GPS-AbdeckungVisuelles / LiDAR-SLAM
Große Flächen abdeckenFlotten- oder Schwarmkoordination
Durch Rauch und Dunkelheit sehenFusion von Wärmebild + Radar

Die Kriterien vereinheitlichen

Ein gemeinsames Vokabular, um jede Plattform anhand von drei Fragen zu bewerten:

01
Reife
Welche Autonomiestufe erreicht sie dauerhaft, und in welchem Betriebsbereich?
02
Sicherheit
Wann und wie greift ein Mensch ein, und was geschieht, wenn die Verbindung abbricht?
03
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).

◆ Rolle des MenschenVerwaltet die Flotte und den ODD

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 Plattformen

    Keine Kommunikation zwischen Robotern; jede Einheit arbeitet isoliert.

    • Keine Netzabhängigkeit
    • Skalierung = Anzahl der Bediener
    • Isolierter Ausfall
  • Koordiniert

    21 Plattformen

    Teilt Zustand und Telemetrie über eine Basisstation oder einen zentralen Server.

    • Basisstation oder Cloud
    • Zentrale Flottenplanung
    • Single Point of Failure
  • Kollaborativer Schwarm

    0 Plattformen

    Dezentrale 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
Mehr zu resilienten Schwärmen →

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:

  1. 01
    Sensoren

    LiDAR, Kameras, IMU, Rad- oder Beinodometrie

  2. 02
    Odometrie (Front-End)

    Merkmalsextraktion und visuell-inertiale (VIO) oder LiDAR-Odometrie

  3. 03
    Filter

    Erweiterter oder Unscented-Kalman-Filter (EKF/UKF), der Schätzungen mit hoher Frequenz fusioniert

  4. 04
    Optimierung (Back-End)

    Faktorgraph-Optimierung und Schleifenschluss zur Korrektur der Drift

  5. 05
    Karte + 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.

◆ Vom Menschen abhängigGelernt / autonom ●
  1. 01

    FPV-Steuerung

    Videoverbindungen mit geringer Latenz (<50 ms) für Manöver auf engem Raum. Der Pilot ist das Wahrnehmungssystem.

    1/33
  2. 02

    Teleoperation

    Der Roboter stabilisiert und schützt sich; der Mensch entscheidet jede Bewegung. Grundlage der Datenerfassung für Imitationslernen.

    25/33
  3. 03

    Überwachte Mission

    Aufgezeichnete oder programmierte Missionen, die der Roboter wiederholt; der Bediener genehmigt Ausnahmen an einer Konsole.

    27/33
  4. 04

    BVLOS-Flotte

    Ein Bediener überwacht mehrere Einheiten außerhalb der Sichtweite. Erfordert Detect-and-Avoid und eine behördliche Genehmigung.

    5/33
  5. 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.

  1. Massive Simulation
  2. Domain Randomization
  3. Einsatz
  4. 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.

  1. 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.

  2. 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.

  3. 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.

  4. 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.

  5. 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

Reihenfolge A31%Sichtbare Fläche
Reihenfolge B43%Sichtbare Fläche

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 →