LONDON (IT BOLTWISE) – Uber setzt in diesem Jahr auf eine Flotte von 500 sensorisierten Testfahrzeugen, um hochauflösende Fahrdaten für Robotaxi-Partner zu sammeln. Das Projekt AV Labs nutzt dabei einen auf einem Hyundai Ioniq 5 umgebauten Prototyp mit Kameras, Solid-State-Lidar und Radarsensoren. Die Daten sollen mit einer Zeit- und Geometrieausrichtung als Trainingsmaterial dienen, um selbstfahrende Software in unterschiedlichen Regionen robuster zu machen. Entscheidend wird dabei auch, wie Uber den Sensor-Stack in Zusammenarbeit mit Partnern weiterentwickelt und die Datenqualität im laufenden Betrieb absichert.
Uber geht mit AV Labs in die nächste Phase seiner Robotaxi-Strategie: In diesem Jahr will das Unternehmen weltweit 500 datenerfassende Fahrzeuge auf die Straße bringen. Im Kern geht es weniger um einen spektakulären Fahrzeug-Neuentwurf, sondern um die Skalierung eines sehr speziellen Rohstoffs der Automatisierung—hochwertige, realweltnahe Trainingsdaten. Uber positioniert die Initiative als Beitrag zu einem wachsenden Partner-Ökosystem aus autonomen Technologie-Anbietern. Damit rückt die Frage in den Mittelpunkt, wie schnell Modelle von laborähnlichen Datensätzen auf echte, geografisch breit gestreute Verkehrssituationen generalisieren können und welche Rolle Sensorik-Feintuning dabei spielt.
Technisch basiert der Ansatz auf einem relativ pragmatischen Umbau: Als Plattform dient ein Hyundai Ioniq 5, der mit einer dichten Sensorik auf Dach und Seiten ausgestattet wird. Uber nennt dabei 14 Kameras, acht Solid-State-Lidar-Sensoren und neun Radarsysteme, integriert über eine Partnerschaft mit Roush Performance, die die Retrofit-Umrüstung übernimmt. Diese Kombination ist vor allem deshalb interessant, weil sie komplementäre Wahrnehmungskanäle abdeckt—Kameras liefern semantische Details, Lidar unterstützt die Geometrie, und Radar bringt Robustheit bei Regen, Dunst oder wechselnden Lichtverhältnissen. Die Sensorrohdaten laufen in Ubers Aussage über NVIDIAs Dual Drive Thor als zentrale Rechenplattform zusammen.
Ein wichtiger Punkt ist dabei die Datenpipeline vom Sensor bis zum Trainings-Asset: Uber will die gewonnenen Informationen zu einem 360-Grad-Ansichtsbild verarbeiten, das zudem zeitlich synchronisiert ist. In der Praxis bedeutet das, dass Sensor-Timings, Kalibrierparameter und räumliche Ausrichtung so konsistent sein müssen, dass aus vielen Einzelmessungen ein „stitch“-fähiges Gesamtbild entsteht. Nur dann können Lernverfahren Rekonstruktionsfehler vermeiden und Muster aus seltenen Verkehrsszenarien zuverlässig erkennen. Uber nennt ein Ziel von „2 Millionen Miles pro Monat“ an hochauflösenden Daten für Robotaxi-Anwendungen. Bis zum Sommer sollen 50 Fahrzeuge im Einsatz sein—ein Tempo, das vor allem die logistische und operative Seite der Datenerhebung betont.
Marktseitig ordnen viele Beobachter solche Initiativen als strategische Differenzierung über Datenqualität ein. Während konkurrierende Robotaxi-Programme ebenfalls umfangreiche Flotten aufbauen oder Partner-Integration betreiben, setzt Uber stärker auf ein „Data-as-a-Service“-Modell über AV Labs. Uber nennt als Beispielpartner unter anderem Avride, Waymo und WeRide, was verdeutlicht, dass die Datensammlung auf Interoperabilität und langfristige Lernschleifen ausgelegt ist. Ein Mobility-Analyst fasst es sinngemäß so zusammen: „Wer die Variabilität im Felddatenbestand kontrolliert, reduziert den Trainingsaufwand und erhöht die Robustheit im Betrieb.“ Für Unternehmen ist das relevant, weil sich dadurch auch Anforderungen an Datenhaltung, Datenrechte und Benchmarking verändern.
Historisch betrachtet folgt Uber damit einer Entwicklung, die die Robotik seit Jahren prägt: Zunächst waren es einzelne, stark kontrollierte Teststrecken und begrenzte Datensätze, dann ging die Branche zu großen Flotten und Multisensor-Setups über. Ubers jüngster Schritt wirkt allerdings wie ein Rollback im Sinne der Skalierbarkeit: Nach dem Verkauf der autonomen Fahrzeugdivision an Aurora im Jahr 2020 baut Uber nun neue Kapazitäten in AV Labs auf, statt das komplette Fahrtechnologie-Stacking selbst neu aufzusetzen. Gleichzeitig will Uber auf vorhandene Kompetenz aufbauen—laut Angaben hat das Unternehmen bereits Daten aus tausenden speziell ausgestatteten Fahrzeugen in mehreren Städten gesammelt und zusätzlich Messreihen von hunderten Lucid Air Fahrzeugen in den USA und in Europa über zwei Jahre erfasst. AV Labs analysiert diese „zwei Tranchen“ und will mit den modifizierten Ioniq-5-Fahrzeugen nachlegen.
Gerade im Enterprise-Kontext wird damit auch die Frage nach Security und Governance greifbar. Eine flächig verteilte Sensorflotte erzeugt nicht nur Daten, sondern auch potenziell sensible Informationen über öffentliche Infrastruktur und Verkehrsteilnehmer. Deshalb wird es für Uber und seine Partner entscheidend, wie Datenminimierung, Zugriffssteuerung, Transportverschlüsselung und Aufbewahrungsregeln im Betrieb gehandhabt werden—insbesondere, wenn Daten „geteilt“ werden sollen, wie Uber es für seine Partner beschreibt. Ebenso wichtig ist die Modell- und Datenqualitätssicherung: Wenn der Sensor-Stack flexibel bleibt, wie Uber ankündigt, muss jede Anpassung nachvollziehbar kalibriert werden, damit Trainings-Feedback-Loops nicht durch unbemerkte Drift in den Wahrnehmungsdaten gestört werden. Für Entwickler entstehen dadurch Chancen: Teams können neue Trainingsdaten schneller integrieren, müssen aber gleichzeitig auf Versionierung, Reproduzierbarkeit und Auditierbarkeit achten.
Der Ausblick ist damit zweigeteilig: Einerseits steigt die Chance, mit „geografisch diversifiziertem“ Training die Performance in schwer vorhersehbaren Umgebungen zu verbessern. Wenn Ubers 360-Grad-, zeitsynchrones Datenset tatsächlich die Lernprozesse beschleunigt, könnten Partner ihre Validierungszyklen kürzen und schneller von Simulation zu Feldtest übergehen. Andererseits verschiebt sich der Wettbewerb stärker in Richtung Daten-Engineering und Operations—also dorthin, wo Skalierung oft schwerer ist als reines Modelltraining. Entscheidend wird, ob Uber die Sensorik kontinuierlich mit Partnerbedarfen ausbalanciert und gleichzeitig die Datenkonsistenz bewahrt. Mittel- bis langfristig dürfte genau diese Kombination aus skalierter Datenerhebung, robuster Kalibrierung und sauberer Governance den Unterschied zwischen „viel Daten“ und „nützlichen Daten für sichere Entscheidungen“ machen.
💳 Amazon-Kreditkarte mit 2.000 Euro Limit bestellen!
🔥 Heutige Hot Deals bei Amazon: Bis zu 80% Rabatte!
🎉 Amazon Haul-Store für absolute Schnäppchenjäger!
- ★ 23-stufiges KI-Go-Training – Für Spieler mit Grundkenntnissen der Regeln – Entwickelt als intelligenter Trainingspartner passt sich die KI Spielern von 18K bis 9D an. Ideal für alle, die die Grundregeln bereits beherrschen und ihr Spiel verbessern möchten.
- IHR EMOTIONALER AI-BEGLEITER: Eiliko ist mehr als nur ein Anhänger, es ist ein charismatischer KI-Freund. Mit einem dynamischen LED-Bildschirm, der eine Vielzahl von animierten Gesichtern und Ausdrucksformen anzeigt, reagiert er auf Ihre Interaktionen mit einzigartiger Persönlichkeit und Charme.
- NIEDLICHER BEGLEITER: Eilik ist der ideale Begleiter für Kinder und Erwachsene, die Haustiere, Spiele und intelligente Roboter lieben. Mit vielen Emotionen, Bewegungen und interaktiven Funktionen.
- 【XL-Größe für gedeihende Pflanzen】Geben Sie Ihren Pflanzen den Raum, den sie verdienen! Unser verbessertes, großes 13,7 cm großes Design bietet Platz für Pflanzen mit einem Durchmesser von bis zu 8,9 cm und damit deutlich mehr Platz für Wurzelwachstum und Pflanzengesundheit im Vergleich zu kleineren, veralteten Modellen. Die Produktabmessungen betragen 13,6 x 13,6 x 13,2 cm und das Gerät wiegt nur 355 g.
- V28 Update - JETZT MIT NEUEN FUNKTIONEN! Als Reaktion auf das Ladeproblem von Loona haben wir das automatische Aufladen 2.0 verbessert. Diese Optimierung hilft Loona, die Ladewege in verschiedenen Szenarien zu erkennen und anzupassen, um die Erfolgsquote beim automatischen Aufladen zu erhöhen. Mobile Hotspots können sich mit Loona verbinden und überwinden WLAN-Einschränkungen, sodass Sie jederzeit und überall mit Loona interagieren können.
- Die besten Bücher rund um KI & Robotik!
- Die besten KI-News kostenlos per eMail erhalten!
- Zur Startseite von IT BOLTWISE® für aktuelle KI-News!
- IT BOLTWISE® kostenlos auf Patreon unterstützen!
- Aktuelle KI-Jobs auf StepStone finden und bewerben!
- Künstliche Intelligenz: Dem Menschen überlegen – wie KI uns rettet und bedroht | Der Neurowissenschaftler, Psychiater und SPIEGEL-Bestsellerautor von »Digitale Demenz«
Du hast einen wertvollen Beitrag oder Kommentar zum Artikel "Uber bringt 500 datenerfassende Sensor-Fahrzeuge auf die Straße" für unsere Leser?
#Sophos
#AmazonPrime
#Bestseller
Es werden alle Kommentare moderiert!
Für eine offene Diskussion behalten wir uns vor, jeden Kommentar zu löschen, der nicht direkt auf das Thema abzielt oder nur den Zweck hat, Leser oder Autoren herabzuwürdigen.
Wir möchten, dass respektvoll miteinander kommuniziert wird, so als ob die Diskussion mit real anwesenden Personen geführt wird. Dies machen wir für den Großteil unserer Leser, der sachlich und konstruktiv über ein Thema sprechen möchte.
Du willst nichts verpassen?
Du möchtest über ähnliche News und Beiträge wie "Uber bringt 500 datenerfassende Sensor-Fahrzeuge auf die Straße" informiert werden? Neben der E-Mail-Benachrichtigung habt ihr auch die Möglichkeit, den Feed dieses Beitrags zu abonnieren. Wer natürlich alles lesen möchte, der sollte den RSS-Hauptfeed oder IT BOLTWISE® bei Google News wie auch bei Bing News abonnieren.
Nutze die Google-Suchmaschine für eine weitere Themenrecherche: »Uber bringt 500 datenerfassende Sensor-Fahrzeuge auf die Straße« bei Google Deutschland suchen, bei Bing oder Google News!