Egozentrische Daten in Europa: Erfassung wird zur Spezifikation
Warum sich die Robotik auf egozentrische Daten geeinigt hat, und warum deren Erfassung in Europa Einwilligung, Provenienz und GDPR zu einer Datensatz-Spezifikation macht, nach der Käufer heute fragen.
Schnallt man den Menschen, die heute Aufgaben für ein Robotik-Lernteam demonstrieren, eine Kamera um, sieht das Rig fast überall gleich aus: eine Kamera nahe den Augen, eine zweite am Handgelenk. Dieser stille Konsens ist erst wenige Jahre alt, und er war keineswegs selbstverständlich. Lange Zeit war der Standard ein Stativ auf der anderen Seite des Raums, das die gesamte Szene wie eine Überwachungskamera beobachtete.
Der Wandel hatte handfeste Gründe. Eine Kamera an Kopf und Handgelenk sieht ungefähr das, was ein Roboter durch seine eigenen Kopf- und Handgelenkssensoren sieht, sodass die Trainingsbilder den Bildern entsprechen, auf die die Policy bei der Inferenz trifft. Hände und der Kontaktpunkt bleiben groß und zentriert, statt zu einem Miniaturbild hinter dem Rücken einer Person zu schrumpfen. Und gewöhnliches menschliches Videomaterial lässt sich günstig in großem Umfang sammeln, weshalb Initiativen wie Ego4D und Ego-Exo4D überhaupt existieren. NVIDIAs Arbeit an Humanoiden stützt sich genau auf diese Mischung aus menschlichem und egozentrischem Video, um Manipulationsfähigkeiten aufzubauen.
Hier ist der Teil, den das Blickwinkel-Argument übergeht. Eine egozentrische Aufnahme ist konstruktionsbedingt immer auch die Aufnahme einer Person: ihre Küche, ihr im Fenster gespiegeltes Gesicht, ihre Stimme, ihre Hände. Das macht sie zu personenbezogenen Daten. Und sobald es sich um personenbezogene Daten handelt, ist das Wo und Wie der Erfassung keine Fußnote mehr, sondern eine Zeile in der Spezifikation.
Der Blickwinkel, auf den sich das ganze Feld geeinigt hat
Manipulation entscheidet sich auf den letzten Zentimetern: der Anflug, der Griff, der Moment des Kontakts. Eine Kopf- oder Handgelenkskamera hält diesen Bereich im Bild und im Fokus. Eine Wandkamera beobachtet ihn aus mehreren Metern Entfernung und verliert ihn die Hälfte der Zeit hinter dem eigenen Arm der handelnden Person. Trainiert man eine Policy auf der Wandperspektive, hat man auf einen Blickwinkel optimiert, den der Roboter nie einnimmt, und hofft anschließend, dass die Fähigkeit den Sprung zu einem nie gesehenen Blickwinkel übersteht.
Der zweite Grund ist das Angebot. Kraftmesswerte oder Handposen lassen sich nicht aus dem Internet scrapen, aber man kann riesige Mengen an Menschen aufnehmen, die aus ihrer eigenen Perspektive gewöhnliche Dinge tun. Ego4D hat Tausende Stunden solchen Materials gesammelt; Ego-Exo4D zeichnet dieselbe Handlung gleichzeitig aus der Ich-Perspektive und aus der Beobachterperspektive auf, sodass ein Modell lernen kann, wie beide zusammenhängen. Robotik-Gruppen haben dieses menschliche Videomaterial in ihr Pretraining eingebaut. NVIDIAs Isaac-GR00T-Stack, entwickelt mit dem GEAR Lab, berichtet, dass das Hinzufügen großer Mengen menschlichen und egozentrischen Videos die Manipulationsleistung messbar verbessert hat, statt nur als Füllmaterial zu dienen. Das Muster ist konsistent: zunächst mit reichlich menschlicher Demonstration vortrainieren, dann mit einem kleineren, präzisen Datensatz auf einen bestimmten Roboter ausrichten.
Jeder egozentrische Clip ist ein Mensch
Verschiebt man den Blick vom Roboter auf den Menschen, der das Rig getragen hat, sehen die Daten anders aus. Eine Aufnahmesitzung aus der Ich-Perspektive erfasst eine echte Wohnung, die Gesichter aller, die sie durchqueren, den Klang einer echten Stimme und ein Paar Hände, deren Geometrie ihre Besitzerin oder ihren Besitzer identifizieren kann. Nach europäischem Recht ist daran nichts zweideutig. Es handelt sich um personenbezogene Daten, von denen manche in die Nähe der besonderen Kategorien rücken, die die GDPR am strengsten schützt.
Diese eine Tatsache ordnet das gesamte Erfassungsproblem neu. Eine Demonstration ist nicht länger nur ein Trainingsbeispiel, sondern eine Verarbeitung personenbezogener Daten einer identifizierbaren Person, die eine Rechtsgrundlage, einen festgelegten Zweck, eine Aufbewahrungsfrist und eine dokumentierte Einwilligung der Person braucht, die die Kamera getragen hat. Die Regeln wurden nicht für Roboterdaten geschrieben, aber sie greifen sauber, weil der Input ein Mensch ist, der etwas vor einer Linse tut, die zu tragen er zugestimmt hat.
Zwei Wege, den Datenberg aufzubauen
Es gibt im Wesentlichen zwei Modelle, um einen großen egozentrischen Datensatz zusammenzustellen, und sie unterscheiden sich darin, wo die Aufnahme stattfindet.
Das erste ist Volumenbeschaffung: die Erfassung dorthin verlagern, wo Arbeitskraft billig und Regeln locker sind, so viele Stunden wie möglich sammeln und den Papierkram später oder gar nicht klären. Sie optimiert auf reine Menge pro Dollar. Das zweite ist Erfassung mit von der ersten Aufnahme an eingebauter Einwilligung und Provenienz: jede Sitzung ist mit einer dokumentierten Person, einer Rechtsgrundlage, einem Ort und einem Protokoll dessen, was anonymisiert wurde, verknüpft. Sie kostet mehr pro Stunde, liefert dafür einen Datensatz, für den man tatsächlich geradestehen kann.
Ein Datensatz ist seine Bilder plus der Papierkram, der belegt, dass man die darin gezeigten Menschen aufnehmen durfte. Streicht man die zweite Hälfte, wird aus dem, was wie ein Vermögenswert aussieht, eine Verbindlichkeit mit guter Auflösung.
Eine Zeit lang wirkte das erste Modell schlicht günstiger und setzte sich deshalb standardmäßig durch. Diese Rechnung verschiebt sich. Ein Käufer, der eine kommerzielle Policy trainiert, erbt die Provenienz jedes Clips, von dem sie gelernt hat, und eine Lücke in dieser Kette ist kein bürokratisches Ärgernis, sondern ein Mangel, der ein erneutes Training erzwingen kann.
Erfassung, geschrieben als Spezifikation
Wenn die Provenienz mit den Daten mitreisen muss, hat eine Sitzung in Manipulationsqualität eine zweite Hälfte in ihrem Datenblatt. Die erste Hälfte ist der übliche Sensor-Stack. Die zweite Hälfte ist das Protokoll, das jeden Kanal rechtmäßig verwahrbar und verkäuflich macht. Der EU AI Act drängt in dieselbe Richtung: Er verlangt von Anbietern hochriskanter Systeme, die Daten zu dokumentieren, die in sie eingeflossen sind, wodurch Provenienz von einer Tugend zu einer Dokumentationspflicht wird.
| Erfasste Modalität | Warum eine Policy sie braucht | Provenienz- oder Einwilligungsfeld |
|---|---|---|
| Egozentrisches RGB, Kopf und Handgelenk | Anfluggeometrie, Kontakt bleibt im Bild | Rechtsgrundlage und Verweis auf die Einwilligung der Person |
| Tiefe | Reichweite, Vorformung des Griffs, Kollisionsabstand | Erfassungsort und Jurisdiktions-Kennzeichnung |
| Hand- und Fingerpose | Retargeting-Ziel für den Greifer | Kennung der Person, da eine Hand identifizierbar ist, plus eine Aufbewahrungsfrist |
| Kraft und Drehmoment | Griffkraft, Kontaktbeginn, Rutschen | Provenienz von Sitzung und Operator |
| Audio | Kontaktereignisse, die das Bild verpasst | Stimme ist personenbezogen: gesonderte Einwilligung oder Entfernung an der Quelle |
| Unbeteiligte im Bild | Zufällig, nicht das Trainingssignal | An der Quelle anonymisieren, den dafür zuständigen Schritt protokollieren |
Lesen Sie die rechte Spalte als Schema, nicht als Haftungsausschluss. Jedes Feld ist etwas, das ein ernsthafter Käufer einfordern, prüfen und zum Anlass nehmen kann, den Datensatz abzulehnen. Am wichtigsten ist die Anonymisierung an der Quelle: Ein Gesicht, das verpixelt wird, bevor die Daten den Erfassungsraum verlassen, ist ein Gesicht, das später nie zu einer Datenschutzverletzung wird.
„Erfasst unter EU-Jurisdiktion“ als Datensatzfeld
Setzt man diese Teile zusammen, beginnt eine Formulierung sich wie ein Spezifikationswert zu verhalten. „Erfasst unter EU-Jurisdiktion durch die Gesellschaftsstruktur“ sagt einem Käufer, dass Einwilligung, Rechtsgrundlage und Provenienz-Spur innerhalb eines Rechtsrahmens liegen, dem er ohnehin Rechenschaft schuldet. Das verengt seine Sorgfaltsprüfung, statt sie zu erweitern. Für einen europäischen OEM, der ein Produkt in europäische Haushalte liefert, ist ein unter denselben Regeln zusammengestellter Datensatz keine moralische Präferenz, sondern eine Unbekannte weniger in einer Prüfung.
Das macht Volumen aus Offshore-Erfassung nicht wertlos. Günstiges, reichlich vorhandenes menschliches Videomaterial wird weiterhin die Schwerstarbeit im Pretraining leisten, wo das Ziel eine breite visuelle und semantische Abdeckung ist und die Anforderungen an die Provenienz niedriger sind. Die hochwertige, rechenschaftspflichtige Erfassung rechtfertigt sich in der Alignment-Schicht, wo ein kleinerer Satz sauberer, gut dokumentierter Demonstrationen eine Policy für den realen Einsatz feinjustiert und jeder Clip einer genauen Prüfung standhalten muss.
Die Frage des Blickwinkels ist geklärt: Roboter lernen Manipulation am besten aus der Perspektive des eigenen Körpers, mit Händen, Kräften und allem Drum und Dran. Die offene Frage hat sich stromabwärts verschoben. Jemand muss diese Perspektive gezielt erfassen, eine Aufgabe nach der anderen, und muss nun genau sagen können, wessen Hände im Bild waren und zu welchen Bedingungen. In Europa wird dieser zweite Satz zum Bestandteil des Produkts.