Pudu Robotics auf der WAIC 2026: Wie mit „One Brain, Multiple Forms“ Einsatzdaten in physische KI verwandelt werden

Einleitung

Die Branche der physischen KI wird zunehmend pragmatischer.

Ein Roboter, der laufen, Gesten machen oder eine sorgfältig vorbereitete Vorführung absolvieren kann, zieht Aufmerksamkeit auf sich. Doch die schwierigere Frage ist, ob er monatelang in Restaurants, Hotels, Fabriken, Lagern, Einkaufszentren und anderen unvorhersehbaren Umgebungen zuverlässig arbeiten und dabei seine Fähigkeiten weiterentwickeln kann.

Pudu Robotics liefert auf der WAIC 2026 seine Antwort auf Basis einer einfachen strategischen Idee:

Die nächste Stufe der Robotik wird nicht mehr vom Körper des Roboters bestimmt, sondern von einem intelligenten System, das aus realen Einsätzen lernen und diese Erfahrungen auf verschiedene Formen übertragen kann.

Das Unternehmen nennt diese Architektur „One Brain, Many Forms“ (Ein Gehirn, viele Formen).

Die Basismodell-Schicht PuduFM 1.0 soll Robotern helfen, physische Konsequenzen zu verstehen, Navigation mit Manipulation zu verbinden und durch eine Kombination aus Simulation und realem Feedback zu lernen.

Die Agentenplattform PuduAgent integriert Planung, Gedächtnis, Ausführung, wiederverwendbare Fähigkeiten und Sicherheitskontrollen in ein System, das verschiedene Roboterformen koordinieren kann.

Auf der WAIC wurde der industrielle halbhumanoide Roboter PUDU D7 zu einem der auffälligsten Hardware-Beispiele für diese Strategie.

Von der Marktführerschaft zum nächsten Robotik-Wettbewerb

Pudu Robotics kam mit einer großen installierten Basis kommerzieller Serviceroboter zur WAIC.

Laut unabhängiger Marktforschung von Frost & Sullivan, so das Unternehmen, belege Pudu in vier Kategorien den ersten Platz:

1. Weltweite Einnahmen mit kommerziellen Servicerobotern.
2. Weltweite Auslieferungen kommerzieller Serviceroboter.
3. Weltweite Einnahmen mit kommerziellen Reinigungsrobotern.
4. Marktanteil chinesischer Anbieter kommerzieller Serviceroboter im Ausland.

Pudu gibt zudem an, weltweit über 130.000 Roboter ausgeliefert zu haben. Offizielle Unterlagen nennen eine Abdeckung von über 80 Ländern und Regionen, während in der WAIC-Präsentation von 85 Ländern und Regionen die Rede war.

Die Einsatzbereiche dieser Roboter umfassen:

• Gastronomie
• Hotellerie
• Einzelhandel
• Fertigung
• Lagerlogistik
• Gewerbliche Reinigung
• Gebäudemanagement
• Gesundheitswesen
• Unterhaltung und Sport
• Bildung
• Öffentliche Dienstleistungen

Eine solche Einsatzskala ist kommerziell bedeutsam, aber das Argument von Pudu Robotics für physische KI geht weiter.

Jeder Roboter, der in realen Umgebungen arbeitet, stößt auf physikalische Veränderungen, die im Labor kaum vollständig reproduzierbar sind:

• Unterschiedliche Bodenbeläge.
• Sich bewegende Menschen und Geräte.
• Veränderliche Lichtverhältnisse.
• Enge Durchgänge.
• Unerwartete Hindernisse.
• Objekte mit unterschiedlichem Gewicht, Form und Oberflächenbeschaffenheit.
• Menschliche Eingriffe.
• Fehlgeschlagene Aktionen.
• Langzeit-Betriebsbedingungen.

Für ein Unternehmen der physischen KI können diese

Interaktionen zu Trainingsmaterial werden.

Daher könnte der nächste Wettbewerbsvorteil aus der Kombination von Hardware-Distribution mit einem System entstehen, das Betriebserfahrung in wiederverwendbare Intelligenz umwandelt.

Über 130.000 Roboter im täglichen Einsatz

Sprachmodelle können aus großen Mengen an Text, Code, Bildern und Videos lernen. Roboter stehen vor einem anderen Datenproblem.

Ein Roboter muss nicht nur verstehen, was ein Objekt ist, sondern auch:

• Ob er es erreichen kann.
• Wie sich das Objekt wahrscheinlich bewegen wird.
• Wie viel Kraft für eine Aktion nötig ist.
• Ob der Boden rutschig ist.
• Ob der geplante Pfad noch sicher ist.
• Was passiert, nachdem der Roboter ein Objekt schiebt, anhebt, kippt oder loslässt.
• Was sich in der Umgebung seit Beginn der Aufgabe verändert hat.

Diese Fähigkeiten sind schwer aus einer begrenzten Anzahl sorgfältig choreografierter Vorführungen zu erlernen.

Roboter brauchen Erfahrung aus der tatsächlichen Arbeit, aber um tatsächlich arbeiten zu können, müssen sie ein gewisses Reifegrad haben, der ohne reale Daten schwer zu erreichen ist.

Das schafft ein klassisches „Henne-Ei-Problem“:

Ohne großflächigen Einsatz fehlt einem Unternehmen vielfältige physische Daten; ohne vielfältige physische Daten ist es schwer, Roboter auf ein Niveau zu bringen, das einen großflächigen Einsatz erlaubt.

Kommerzielle Serviceroboter bieten einen Weg, diesen Kreislauf zu durchbrechen.

Pudu Robotics hat über Jahre hinweg Liefer-, Reinigungs- und Industrieroboter in alltägliche Geschäftsumgebungen gebracht. Diese Systeme waren anfangs keine universellen verkörperten Agenten, aber ihr Einsatz schuf große Kanäle für die Erfassung von Betriebssignalen.

Pudu Robotics gibt an, dass seine Roboterflotte derzeit jährlich Folgendes generiert:

Datentyp	Vom Unternehmen gemeldete jährliche Datenmenge
Navigationsdaten aus der realen Welt	36,5 Millionen Stunden
Betriebsdaten aus der realen Welt	15,8 Millionen Stunden

Das Unternehmen gibt an, dass die Betriebsdaten im Normalbetrieb im Modus der „nicht-intrusiven Datenerfassung“ gesammelt werden.

Ihr Wert liegt nicht nur in den Stunden. Das meiste Material stammt aus der eigenen Perspektive der Roboter und enthält wahrscheinlich echte Tiefe, Maßstab, Bewegung, Licht- und Interaktionsbedingungen.

Diese Ego-Perspektive physischer Umgebungen ist schwer allein durch Internetvideos zu ersetzen.

Das Daten-Schwungrad der physischen KI

Das langfristige Modell von Pudu Robotics kann als ein Daten-Schwungrad beschrieben werden:

1. Mehr Roboter kommen in kommerzielle Umgebungen.
2. Roboter stoßen auf mehr Aufgaben und Grenzfälle.
3. Betriebsdaten und menschliche Eingriffe werden erfasst.
4. Diese Erfahrungen werden genutzt, um Modelle zu trainieren oder zu verbessern.
5. Verbesserte Modelle unterstützen mehr Aufgaben und Umgebungen.
6. Höhere Fähigkeiten führen zu mehr Einsätzen.
7. Eine größere Einsatzbasis generiert mehr Daten.

Dies unterscheidet sich vom traditionellen Modell, in dem Roboter als fertige Geräte betrachtet werden.

Im traditionellen Modell verkauft ein Unternehmen Hardware mit einem festen Funktionsumfang. Jede erledigte Aufgabe generiert

Wert für den Kunden, aber die Erfahrung bleibt möglicherweise auf dieses eine Gerät und seine Installationsumgebung beschränkt.

Im verkörperten Agenten-Modell kann eine einzelne Aufgabe zum breiteren Lernsystem beitragen. Ein Navigationsfehler in einem Lagerhaus, eine komplexe Reinigungssituation in einem Einkaufszentrum oder eine betriebliche Korrektur in einer Industrieumgebung – all das kann dazu beitragen, das zukünftige Verhalten der gesamten Roboterflotte zu optimieren.

Dieser Prozess geschieht nicht automatisch.

Rohe Logs sind nicht gleichbedeutend mit effektivem Modellkontext. Die Daten müssen verarbeitet werden durch:

• Filtern
• Bereinigen
• Annotation oder Strukturierung
• Verknüpfen mit Ergebnissen
• Filtern nach Datenschutz- und Sicherheitsanforderungen
• Ausbalancieren über verschiedene Szenarien
• Umwandeln in Trainings- oder Evaluierungsbeispiele
• Abspielen in kontrollierten Systemen
• Validieren, bevor sie zu Produktionsrobotern zurückkehren

Eine große Roboterflotte schafft die Chance, einen Datengraben aufzubauen. Die Qualität der Datenpipeline entscheidet jedoch darüber, ob diese Chance in einen echten Fähigkeitsvorteil umgewandelt werden kann.

Warum reale Daten allein bei weitem nicht ausreichen

Fehler in der physischen Welt sind kostspielig.

Sprachmodelle können fehlerhafte Absätze generieren und sofort neu versuchen, während ein Fehlgriff eines Roboters Zeit kosten, Ausrüstung beschädigen, Geschäftsabläufe unterbrechen oder sogar Sicherheitsrisiken mit sich bringen kann.

Daher kann das Training in der realen Welt nicht durch uneingeschränktes Versuch-und-Irrtum skaliert werden.

Die Lösung von Pudu Robotics ist der Dual-Space-Evolutionsflieger, der virtuelle und reale Welten verschmilzt.

Der Virtuelle Kreislauf

Ein High-Fidelity-Welt-Simulator ermöglicht es dem System, eine riesige Anzahl von Trajektorien zu generieren und zu testen, ohne dass echte Menschen oder Geräte jedem Fehlversuch ausgesetzt werden müssen.

Der Simulator kann Folgendes generieren:

• Normale, erfolgreiche Aufgabenabläufe
• Kollisionen
• Rutschen
• Instabile Lasten
• Veränderungen der Objektform
• Verschiebungen des Schwerpunkts
• Ungewöhnliche Hindernisanordnungen
• Seltene oder gefährliche Betriebsbedingungen

Pudu Technology gibt an, dass sie eine Diffusions-Transformer-Architektur verwenden, um in der simulierten Umgebung vielfältige Trajektorien zu erzeugen.

Realwelt-Zyklus

Die reale Umgebung bietet Details, die die Simulation nicht vollständig reproduzieren kann.

Durch das Feedback von Mensch-Roboter-Interaktionen können folgende Daten aufgezeichnet werden:

• Die Positionen, an denen der Roboter menschliches Eingreifen benötigt
• Was der Bediener verändert hat
• Welche Route oder Greifbewegung erfolgreich war
• Wie sich die physische Umgebung von der Simulation unterscheidet
• Welche Sicherheitsgrenze erreicht wurde
• Ob das Aufgabenergebnis akzeptabel war

Die beiden Zyklen dienen unterschiedlichen Zwecken:

• Die Simulation erweitert die Anzahl und Vielfalt der Versuche
• Die Realität kalibriert das Modell anhand der tatsächlichen physikalischen Konsequenzen

Die Wirksamkeit dieser Methode hängt von der Wiedergabetreue der Simulation und der Qualität des Transfers zwischen dem virtuellen und dem physischen System ab. Ein in der Simulation erfolgreiches Modell kann in der realen Welt dennoch aufgrund von Sensorrauschen, mechanischem Verschleiß, unvollkommenen Geometrien, Verzögerungen oder nicht modelliertem menschlichen Verhalten versagen.

Wenn Roboter beginnen, Erfahrungen zu übertragen

Historisch gesehen wurden Roboter mit unterschiedlichen Morphologien oft als unabhängige Systeme entwickelt.

Lieferroboter, Reinigungsgeräte, industrielle mobile Chassis, Roboterarme, humanoide Roboter und vierbeinige Roboter können unterschiedliche Sensoren, Gelenke, Steuerungsfrequenzen, Lasten und Betriebsbeschränkungen verwenden.

Dies führt zu ineffizienten Mustern:

• Ein Roboterkörper, ein Modell.

Eine Umgebung, ein Trainingsablauf.

• Eine Aufgabe, eine Datenerfassung.

Wenn sich die Hardware ändert, muss ein Großteil der Arbeit verworfen und neu begonnen werden.

Das Team muss die Umgebung neu aufbauen, Demonstrationsdaten aufzeichnen, spezifische Strategien trainieren und neue Integrationslogik schreiben. Die für einen Roboter erfassten Daten sind für einen anderen nur schwer wiederzuverwenden.

Die von Pudu Technology vorgeschlagene Strategie "Ein Gehirn, mehrere Formen" versucht, über dieses Muster hinauszugehen.

Das Ziel ist nicht, die Form jedes Roboters anzugleichen, sondern eine gemeinsame Intelligenzschicht zu schaffen, die allgemeine physikalische Konzepte versteht, während die hardware-spezifischen Controller jedes Roboters sich um seine eigenen Gelenke, Sensoren und Einschränkungen kümmern.

(Hier ist eine Bildbeschreibung: Zeigt die Entwicklung des Pudu-Roboter-Paradigmas "Ein Gehirn, mehrere Formen". Links die Entwicklung der Technologieebene von spezialisierten Steuerungssystemen, Einzelroboter-Intelligenzsystemen, Large-Model-verstärkter Intelligenz bis hin zu einer einheitlichen Intelligenz-Basis; rechts die Entwicklung der Formebene von einzelnen Automatisierungsgeräten, szenariobasierten Servicerobotern, Robotern mit kombinierten Fähigkeiten bis hin zu Robotern mit mehreren Formen in Kooperation. Zusammenfassung unten: "Ein Gehirn, mehrere Formen" bedeutet "eine einheitliche Intelligenzbasis + mehrere Roboterformen", die Technologie strebt nach einem einheitlichen Intelligenz-Gehirn, die Form nach diversifizierten Körpern. Die Kombination treibt Roboter von "ein Roboter, ein Gehirn" hin zu "ein Gehirn, mehrere Formen" und ermöglicht die Wiederverwendung von Intelligenzfähigkeiten über Roboter hinweg und den Transfer über Szenarien hinweg.)

Gemeinsame Konzepte könnten umfassen:

• Räumliche Beziehungen
• Objektverfügbarkeit
• Physikalische Kausalität
• Navigationsabsicht
• Manipulationsabsicht
• Aufgabenplanung
• Sicherheitseinschränkungen
• Allgemeine Fähigkeitsdefinitionen
• Erinnerung an Erfolgs- und Fehlerstrategien

Wenn die Architektur wie erwartet funktioniert, können die von einer Roboterform gelernten Erfahrungen den Anpassungsprozess einer anderen Form verkürzen.

Pudu Technology gibt an, dass mit ihrem Weltmodelltraining und einer kleinen Menge echter Korrekturdaten etwa 50 Experten-Demonstrationen ausreichen, um eine neue Aufgabe anzupassen. Dies sind vom Unternehmen veröffentlichte Daten; die tatsächliche Effektivität muss je nach Aufgabe, Roboterform und Einsatzumgebung bewertet werden.

Der Kernpunkt ist der Übergang vom Auswendiglernen fester Aktionssequenzen zum Erlernen wiederverwendbarer physikalischer Beziehungen.

PuduFM 1.0: Gemeinsame physikalische Intelligenz-Basis

PuduFM 1.0 ist die grundlegende Modellebene, die diese Strategie unterstützt.

Pudu positioniert es als ein sich kontinuierlich weiterentwickelndes verkörpertes Intelligenzmodell, das drei Hauptprobleme lösen soll:

1. Die Kluft zwischen Navigation und Manipulation
2. Mangel an physikalischer Intuition
3. Isolierung von Modellen und Datensätzen nach Roboterform

Die Architektur dreht sich um drei zentrale technische Elemente.

Physikalisches Intuitionsmodell: Vorhersage physikalischer Konsequenzen

Das Physikalische Intuitionsmodell (PIM) soll Robotern helfen, mögliche Ergebnisse vorherzusagen, bevor sie handeln.

Menschen führen diese Vorhersage ständig durch.

Wenn man ein nasses Glas nimmt, wird man instinktiv einen vorsichtigeren Griff verwenden; beim Tragen eines hohen Gegenstands denkt man an das Gleichgewicht; auf rutschigem Boden betritt man, passt man Geschwindigkeit und Kraft an.

Herkömmliche Wahrnehmungssysteme können vielleicht das Glas oder den Boden erkennen, aber es fehlt ihnen an der Modellierung der physikalischen Konsequenzen.

Pudu gibt an, dass PIM eine Causal-Attention-Transformer-Architektur verwendet, um Objektbewegung und physikalische Interaktionen im latenten Raum zu modellieren.

Es konzentriert sich nicht mehr nur auf dichte Pixelvorhersagen, sondern versucht, die folgenden dynamischen Elemente zu charakterisieren:

• Schwerkraft
• Reibung
• Verformung
• Schwerpunktsverlagerung
• Erreichbarkeit
• Kollisionsrisiko
• Aktionswirksamkeit

Vor der Ausführung können die aktuelle Position, Pose und der vorgeschlagene Aktionsplan des Roboters bewertet werden.

In der Praxis zielt PIM darauf ab, eine Klasse von Roboterproblemen zu lösen: Roboter, die Objekte sehen können, aber nicht verstehen, welche Auswirkungen ihre geplanten Aktionen auf diese haben werden.

Multimodales VLA: Verbindung von Sprache, Sehen, Navigation und Aktion

Das zweite Element ist ein multimodales Vision-Sprache-Aktion-System.

Viele frühe Roboterarchitekturen trennten die folgenden Funktionen:

• Visuelle Wahrnehmung.
• Natürliches Sprachverständnis.
• Navigation.
• Roboterarmsteuerung.
• Greifoperationen.
• Sicherheitslogik.

Daher könnten Aufgaben zwischen den Modulen scheitern.

Der Roboter verstand vielleicht die Anweisung und erreichte die richtige Position, konnte dieses Verständnis jedoch nicht in eine stabile Aktionssequenz umsetzen.

Die VLA-Ebene von Pudu Robotics zielt darauf ab, Sprache, Sehen, Bewegung und Manipulation in einer einheitlichen Repräsentation zu vereinen.

Anschließend werden die physikalischen Vorhersagefähigkeiten des PIM in den Aktionsablauf integriert.

Der resultierende Ausführungsablauf sieht konzeptionell wie folgt aus:

1. Aufgabe verstehen.
2. Umgebung interpretieren.
3. Physikalische Einschränkungen bewerten.
4. Navigation und Manipulation gemeinsam planen.
5. Kohärente Aktionssequenzen generieren.
6. Ausführung mittels Feedback korrigieren.

Dieser kombinierte Ansatz zielt darauf ab, die Lücke zwischen "Ankunft am Ort" und "Erledigung der Aufgabe" zu schließen.

Weltmodell: Skalierbarer virtueller Trainingsplatz

Das dritte Element ist der Weltsimulator, der die virtuelle Seite des Lernzyklus antreibt.

Pudu gibt an, dass der Simulator mit Betriebsdaten aufgebaut wurde, die in zahlreichen kommerziellen Umgebungen gesammelt wurden.

Er kann sowohl Standard- als auch adversarialle Trajektorien generieren und so Beispiele schaffen, deren wiederholte Erfassung in der realen Welt kostspielig, äußerst selten oder sicherheitskritisch wäre.

Das Weltmodell unterstützt PIM und VLA, indem es eine Fülle kontrollierbarer physikalischer Szenarien bereitstellt.

Der gesamte Prozess lässt sich wie folgt zusammenfassen:

Phase	Zweck
Vortraining	Aufbau eines breiten Wissens über Sehen, Sprache, Video und allgemeine Physik
Simulationsverstärkung	Massenhaftes Üben von Entscheidungen und Aktionen in einer virtuellen Umgebung
Realwelt-Feintuning	Korrektur des Modells durch physischen Einsatz und menschliches Feedback

Das System ist kein einfaches "Erst simulieren, dann einsetzen".

Pudu beschreibt es als einen kontinuierlichen Kreislauf: Echte Daten verbessern die Simulationsumgebung, während die Simulation dem Modell hilft, sich auf die nächste Reihe physischer Aufgaben vorzubereiten.

Pudu D7: Die Hardware-Plattform

Der Pudu D7 wurde auf der World Artificial Intelligence Conference 2026 erstmals physisch vorgestellt.

Pudu positioniert den D7 als industriellen semi-humanoiden Roboter für Umgebungen wie Fertigung, Einzelhandel und Logistik.

Sein beringter Unterkörper ist auf stabile und effiziente Bewegung ausgelegt, während der Oberkörper zwei Arme für Manipulation bietet.

Diese Form stellt einen pragmatischen Kompromiss dar.

In Szenarien, die das Treppensteigen und eine menschenähnliche Fortbewegung erfordern, könnte ein vollwertiger, zweibeiniger humanoider Roboter besser geeignet sein; auf den in Lagern, Geschäften und Fabriken üblichen ebenen Böden bietet ein Radkonzept jedoch eine bessere Effizienz und Stabilität.

Offizielle Informationen von Pudu auf der WAIC 2026 zeigen, dass der D7 eine Nutzlast von bis zu 14 kg unterstützt und für den Langzeit-Industriebetrieb ausgelegt ist.

Die strategische Bedeutung des D7 liegt nicht nur in seinem Körper.

Er wird als eine von mehreren verkörperten Formen präsentiert, die denselben Pudu FM- und Pudu Agent-Intelligenz-Stack teilen können.

Dies macht ihn zu einem Prüfstein dafür, ob Erfahrungen übertragen werden können.

Im bestehenden Portfolio von Pudu an Service-, Reinigungs- und Industrierobotern erweitert er die Fähigkeiten auf ein allgemeineres Betriebssystem.

Top-Level-Architektur: Ein Gehirn, mehrere Formen

Der Wert eines Roboter-Basismodells wird noch deutlicher, wenn es eine Vielzahl von Maschinen unterstützen kann.

Die Produktpalette von Pudu umfasst vier Hauptkategorien:

1. Service-Lieferroboter
2. Kommerzielle Reinigungsroboter
3. Industrielle Lieferroboter
4. Allgemeine verkörperte intelligente Roboter

Diese Kategorien umfassen spezialisierte mobile Roboter, semi-humanoide Roboter, humanoide Roboter und vierbeinige Systeme.

Die "Ein Gehirn, mehrere Formen"-Architektur unterteilt das System in drei Schichten:

Physischer Agent = Verkörperte Form + System + Fähigkeiten

Verkörperte Form

Die verkörperte Form ist das physische Robotergerät:

• Sensoren

• Rad- oder Schreitstruktur

• Roboterarm

• Gelenk

• Tragfähigkeit

• Akku

• Endeffektor

• Mechanische Sicherheitsbegrenzungen

Verschiedene Bauformen werden für verschiedene Aufgaben optimiert.

System

Das System koordiniert den kontinuierlichen Betrieb des Roboters:

• Aufgabenverständnis
• Planung
• Gedächtnis
• Ausführung
• Einsatzplanung
• Multi-Roboter-Koordination
• Werkzeug- und Ressourcenmanagement

Pudu überträgt diese Rolle der PuduAgent-Plattform.

Fähigkeiten

Fähigkeiten sind wiederverwendbare Funktionsmodule, zum Beispiel:

• Navigation
• Hindernisvermeidung
• Greifen
• Mensch-Roboter-Interaktion
• Objektübergabe
• Reinigungsarbeiten
• Industrieller Transport
• Multi-Roboter-Kooperation

Das Pudu Foundation Model (PuduFM) stellt diesen Fähigkeiten eine gemeinsame physische Intelligenzgrundlage zur Verfügung, während die PuduAgent-Plattform sie in ausführbare Arbeitsabläufe umsetzt.

PuduAgent-Plattform: Das Betriebssystem für physikalische Agenten

Wenn das Pudu Foundation Model das gemeinsame physische Gehirn ist, dann ist die PuduAgent-Plattform die Ebene, die seine Anwendungsweise verwaltet.

Pudu definiert die PuduAgent-Plattform als eine universelle, verkörperte KI-Agenten-Plattform für die physische Welt.

Sie besteht aus drei Kernkomponenten:

1. PuduAgent-Plattform-Betriebssystem
2. PuduAgent-Plattform-Fähigkeitsbibliothek
3. PuduAgent-Plattform-Sicherheitssystem

(Bild: Pudu-Roboter auf der WAIC 2026. Ein Mann erklärt einem Publikum das technische Konzept des physischen KI-Agenten "Ein Gehirn, viele Formen". Auf der großen Leinwand im Hintergrund werden Technologiearchitekturen wie PuduAgent OS, PuduFM, PuduAgent Skills und PuduAgent Safety dargestellt. Der moderne Stand ist mit mehreren Displays und Ständen ausgestattet, mit Mitarbeitern und Besuchern. Dieses Bild bezieht sich auf den Abschnitt des Dokuments, der die Technologiearchitektur von PuduAgent vorstellt, und veranschaulicht die entsprechenden technischen Konzepte.)

PuduAgent-Plattform-Betriebssystem

Die Betriebssystemebene besteht aus drei Kernkomponenten.

Agenten-Kern

Der Agenten-Kern ist für die Interpretation der aktuellen Umgebung und Aufgabe sowie für die Planung der Aktionsstrategie des Roboters verantwortlich.

Seine Aufgaben umfassen:

• Verstehen des Ziels
• Zerlegen der Aufgabe in Schritte
• Auswählen der erforderlichen Fähigkeiten
• Aktualisieren des Plans basierend auf neuen Beobachtungen
• Koordinieren von Navigation und Manipulation
• Verwalten von Entscheidungen auf Aufgabenebene

Agenten-Gedächtnis

Das Agenten-Gedächtnis zeichnet während der Aufgabenausführung relevante Informationen auf.

Für physische Roboter beschränkt sich das Gedächtnis nicht nur auf das Speichern von Text.

Es muss Folgendes speichern:

• Aktuellen Zustand der Umgebung
• Letzte Aktionen
• Besuchte Positionen
• Menschliche Anweisungen
• Erfolgreiche Strategien
• Fehlgeschlagene Versuche
• Vom Roboter verursachte Umweltveränderungen
• Fortschritt bei langfristigen Aufgaben

Ein persistentes Gedächtnis hilft dem Roboter, wiederholte Fehler zu vermeiden und in langen Betriebsphasen zielorientiert zu bleiben.

Agenten-Ausführungsinstanz

Die Ausführungsinstanz ist dafür verantwortlich,

die Entscheidungen der hohen Planungsebene in eine Echtzeitausführung umzusetzen.

Die Planung kann auf einer relativ abstrakten Ebene stattfinden, aber Motoren und Sensoren benötigen einen kontinuierlichen Betrieb mit niedriger Latenz für die Steuerung.

Der Ausführer fungiert als Brücke zwischen der Planungsebene und dem roboterspezifischen Hardware-Ausführungssystem.

PuduAgent-Fähigkeiten

PuduAgent-Fähigkeiten abstrahieren allgemeine Fähigkeiten in einer standardisierten Bibliothek.

Ohne diese Schicht müsste jede Roboterform möglicherweise separate Implementierungen für konzeptionell ähnliche Funktionen durchführen.

Eine standardisierte Fähigkeit kann die Absicht und Schnittstelle einer Aktion beschreiben und gleichzeitig jeder Entität erlauben, sie basierend auf ihrer eigenen Hardware auszuführen.

Beispiele umfassen:

• Bewegen zu einer bestimmten Position.
• Hindernissen ausweichen.
• Objekt aufnehmen.
• Objekt ablegen.
• Bestätigung von einer Person anfordern.
• Warten, dass eine Person den Weg freimacht.
• Mit anderen Robotern koordinieren.
• Sicher anhalten.
• Zur Ladestation zurückkehren.

Dies bedeutet nicht, dass jeder Roboter exakt denselben monolithischen Basisregler ausführt.

Die Logik eines humanoiden Roboterarms und einer mobilen Lieferplattform bleibt unterschiedlich. Die wiederverwendbare Schicht besteht aus Aufgabenbeschreibung, Planungsschnittstelle, Sicherheitskontrakten und den durch Lernen gewonnenen physischen Erfahrungen.

PuduAgent-Sicherheit

Wenn Roboter länger und mit weniger direkter Aufsicht arbeiten, wird Sicherheit noch wichtiger.

Bevor eine Aktion ausgeführt wird, muss das System möglicherweise beurteilen:

• Ist die Aktion physikalisch machbar.
• Ist der Weg weiterhin frei.
• Betritt eine Person den Arbeitsbereich.
• Ist die Last stabil.
• Sollte der Roboter langsamer werden.
• Hat sich die Umgebung verändert.
• Sollte die Aufgabe pausiert oder gestoppt werden.

PuduAgent-Sicherheit fungiert als Schutzschicht, um potenzielle Risiken vorherzusagen und bei Bedarf Aktionen anzupassen oder zu unterbinden.

Dies ist für den kommerziellen Einsatz von entscheidender Bedeutung.

Ein Roboter schafft keinen Wert, indem er eine beeindruckende Vorführung absolviert. Sein Wert liegt darin, repetitive Arbeiten zuverlässig auszuführen, während Ausfallraten, menschliche Eingriffe und Sicherheitsvorfälle in einem akzeptablen Rahmen gehalten werden.

Worum Pudu wirklich konkurriert

Auf den ersten Blick scheint der Robotermarkt ein Wettkampf der Hardware zu sein:

• Bessere Roboterarme.
• Flexiblere Beine.
• Höhere Tragfähigkeit.
• Längere Akkulaufzeit.
• Niedrigere Preise.
• Menschlichere Bewegungen.

Diese Faktoren sind immer noch wichtig.

Aber die Botschaft, die Pudu auf der WAIC vermittelt hat, zeigt, dass die nächste Wettbewerbsphase auch vier weniger offensichtliche Vermögenswerte betrifft.

1. Zugang zu echten physikalischen Daten

Unternehmen mit einer großen Anzahl von Robotern können ein breiteres Spektrum an Umgebungen und Randfällen beobachten.

2. Daten-Governance-Fähigkeiten

Unstrukturierte Logs verbessern nicht automatisch Modelle. Datenqualität, Datenschutz, Annotation und Evaluation bestimmen, ob Erfahrungen nützlich sind.

3. Transfer zwischen Roboterformen

Wenn die Erfahrung eines Körpers oder einer Aufgabe den Aufwand für einen anderen Körper oder eine andere Aufgabe reduziert, wird das Lernsystem skalierbarer.

4. Zuverlässige Agenten-Plattform

Ein Foundation Model allein reicht nicht. Roboter benötigen Gedächtnis, Ausführung, Fähigkeiten, Sicherheit, Planung und Betriebskontrolle.

Unternehmen, die diese Schichten effektiv integrieren, könnten jede Bereitstellung in einen Input für die nächste Produktgeneration verwandeln.

Geschäft

Größe und Kapital

Pudus Geschäftsmodell wird durch groß angelegte kommerzielle Bereitstellungen und neue Finanzierung stark gestützt.

Im April 2026 gab das Unternehmen bekannt, dass es eine Finanzierung in Höhe von fast 150 Millionen US-Dollar erhalten hat, wodurch seine Bewertung auf über 1,5 Milliarden US-Dollar stieg und die Gesamtfinanzierungssumme 300 Millionen US-Dollar überstieg.

Zu diesem Zeitpunkt hatte Pudu Technology nach einem früheren Bericht von Frost & Sullivan bereits über 120.000 Roboter ausgeliefert und einen weltweiten Marktanteil von 23 % an kommerziellen Servicerobotern inne.

Während der PuduFM- und WAIC-Veranstaltungen gab das Unternehmen bekannt, dass seine Auslieferungen die Marke von 130.000 überschritten haben.

Diese Mittel können die Forschung und Entwicklung in folgenden Bereichen unterstützen:

• Forschung zu verkörperter Intelligenz (Embodied Intelligence)
• Hardware-Entwicklung
• Dateninfrastruktur
• Simulationstechnologie
• Globaler Vertrieb und Service
• Fertigungsprozesse
• Neue Roboterformen
• Entwicklung der Agenten-Plattform

Die Höhe der Finanzierung und die Auslieferungszahlen garantieren zwar nicht den Erfolg einer universellen physischen KI-Agenten-Architektur,

sie verleihen Pudu jedoch zwei Kernressourcen: eine große Bereitstellungsbasis und die Fähigkeit, in die Systeme zu investieren, die zum Lernen daraus erforderlich sind.

Verbleibende technische Herausforderungen

Die technische Richtung "Ein Gehirn, viele Formen" ist vielversprechend, aber es müssen noch mehrere kritische Probleme gelöst werden.

Tatsächliche Effektivität des Erfahrungstransfers?

Lernergebnisse von Reinigungsrobotern könnten dazu beitragen, gemeinsame Navigations- oder Hinderniserkennungsfähigkeiten zu optimieren, aber sie werden einem humanoiden Roboterarm wahrscheinlich nicht direkt beibringen, deformierbare Objekte zu manipulieren.

Die Qualität des Erfahrungstransfers muss für jeden Fähigkeitstyp, jedes Anwendungsszenario und jede Verkörperungsform separat bewertet werden.

Mechanismen zur Datenqualitätskontrolle?

Große Roboterflotten produzieren riesige Mengen an sich wiederholenden, verrauschten, unvollständigen oder verzerrten Daten.

Der Schlüsselindikator für die Datenqualität ist nicht die Gesamtzeit, sondern wie viele validierte und vielfältige Trainingssignale aus dieser Zeit gewonnen werden können.

Datenschutz- und Sicherheitsgarantien?

Roboter, die in öffentlichen und kommerziellen Umgebungen arbeiten, können sensible visuelle, räumliche oder betriebliche Informationen erfassen.

Die Daten-Governance muss Autorisierung, Speicherdauer, Zugriffskontrolle, Anonymisierung, Einhaltung regionaler Vorschriften und Cybersicherheit umfassen.

Übereinstimmung zwischen Simulation und Realität?

Weltmodelle können den Trainingsumfang erweitern, aber die Kluft zwischen Simulation und Realität bleibt eine Kernherausforderung in der Robotik.

Alle Modelle müssen unter realen Betriebsbedingungen mit physischer Hardware validiert werden.

Kann die Sicherheit mit der Autonomie Schritt halten?

Mit zunehmender Komplexität und Dauer der von Robotern ausgeführten Aufgaben steigt die Anzahl der potenziellen Fehlerpfade exponentiell.

Das Sicherheitssystem muss deterministische Steuerung, Hardware-Schutz, Echtzeitüberwachung, Fehlerrückfall- und menschliche Eingreifmechanismen umfassen, anstatt sich nur auf die Schlussfolgerungen der Modellebene zu verlassen.

Validierung des wirtschaftlichen Modells?

Letztendlich sind Kunden am gesamten Betriebswert interessiert:

• Anschaffungs-/Leasingkosten
• Bereitstellungskomplexität
• Wartungskosten
• Zuverlässigkeitskennzahlen
• Personalkosteneffizienz
• Ausfallzeitkosten
• Serviceabdeckung
• Integrationsentwicklungskosten
• Amortisationszeit der Investition

Technologisch fortschrittliche Roboter müssen in realen Aufgaben im Vergleich zu einfacheren Automatisierungslösungen eine wirtschaftliche Überlegenheit zeigen.

Tieferer Wert: Arbeit schafft wiederverwendbare Erfahrung

Wenn Roboter im großen Maßstab arbeiten, könnte der wertvollste Output nicht die Anzahl der gelieferten Bestellungen, gereinigten Routen oder Transportaufgaben sein,

Vielmehr geht es um die wiederverwendbaren physischen Erfahrungen, die diese Aufgaben schaffen.

Pudus Strategie baut ein vierstufiges Verbundsystem auf:

1. Großflächige Cluster kommerzieller Roboterschwärme
2. Vollständiger Stack verkörperter intelligenter Technologien
3. Geschlossene Datenkreislaufsysteme
4. Synergistische Innovation in Hardware und Software

Diese Architektur ermöglicht durch einen „Cloud-Edge-End"-Koordinationsmechanismus die kontinuierliche Weiterentwicklung der kollektiven Intelligenz von Robotergruppen.

Simulations- und reale Datenfließräder

3. PuduFM als gemeinsame physische intelligente Basis
4. PuduAgent als querschnittliche Betriebsschicht

Der PUDU D7 integriert diese Strategie in eine universellere industrielle Roboterform, doch der größere Einsatz liegt auf architektonischer Ebene.

Pudu versucht, sein Produktportfolio in ein lernendes Ökosystem zu verwandeln.

Der langfristige Wettbewerb wird nicht von dem Roboter gewonnen, der die beeindruckendsten isolierten Aktionen ausführt, sondern davon, welches System sicher aus den wertvollsten physischen Interaktionen lernen, diese Erkenntnisse roboterübergreifend übertragen und in realen Umgebungen zuverlässigen wirtschaftlichen Wert liefern kann.

Häufig gestellte Fragen

Was ist PuduFM 1.0?

PuduFM 1.0 ist das fundamentale Modell der verkörperten Intelligenz von Pudu Robotics. Es vereint ein physisches Intuitionsmodell, ein multimodales Vision-Language-Action-Abstimmungssystem und einen Trainingskreislauf von der Simulation zur Realität, der Navigation, Manipulation und physische Inferenz bei verschiedenen Roboterformen unterstützt.

Was ist PuduAgent?

PuduAgent ist eine universelle verkörperte intelligente Agentenplattform zur Bedienung von Robotern in der physischen Welt. Sie umfasst eine Planungs-, Gedächtnis- und Ausführungsschicht, eine wiederverwendbare Fähigkeitsbibliothek sowie Sicherheitskontrollmodule.

Was bedeutet „ein Gehirn, viele Formen"?

Dies bedeutet, dass mehrere Robotertypen eine gemeinsame intelligente Basis teilen, anstatt als völlig isolierte Systeme entwickelt zu werden. Jedes Endgerät behält seine hardwarespezifische Steuerung, während das übergeordnete physische Verständnis, die Planung, das Gedächtnis und die Fähigkeiten wiederverwendet werden können.

Wie viele Roboter hat Pudu Robotics ausgeliefert?

Pudu gibt an, weltweit über 130.000 Roboter ausgeliefert zu haben. Offizielle Angaben zufolge deckt der Service über 80 Länder und Regionen ab; in einer Rede auf der WAIC 2026 wurde sogar von 85 Ländern und Regionen gesprochen.

Was ist der PUDU D7?

Der PUDU D7 ist ein industrieller semi-humanoid Roboter mit einem mobilen Radfahrwerk und zwei Armen. Pudu positioniert ihn für Aufgaben in Industrie, Einzelhandel und Logistik und als einen der Hardwareträger der PuduFM- und PuduAgent-Architekturen.

Was ist das physische Intuitionsmodell?

Das physische Intuitionsmodell (PIM) soll die physischen Ergebnisse einer geplanten Roboteraktion vorhersagen. Pudu gibt an, dass es vor der Ausführung dynamische Eigenschaften wie Bewegung, Reibung, Verformung, Gleichgewicht und Kollisionsrisiken in einem latenten Raum simuliert.

Warum verwendet Pudu sowohl Simulations- als auch reale Daten?

Simulationssysteme können eine große Anzahl von Standard- und adversariellen Trajektorien generieren, ohne ständig reale Geräte oder Personen zu gefährden. Reale Einsätze liefern dagegen echtes Feedback, um den Simulator zu kalibrieren und die Modelle zu korrigieren.

Ist die Marktführerschaft von Pudu unabhängig bestätigt?

Pudu beruft sich auf eine Marktforschungsstudie von Frost & Sullivan, die das Unternehmen in mehreren kommerziellen Serviceroboter-Kategorien auf Platz eins sieht. Die genannten Rankings werden hier nur als zitierte Studienergebnisse wiedergeben, eine unabhängige Überprüfung des vollständigen Marktdatensatzes erfolgte nicht.

Verwandte Werkzeuge

• Pudu Open Platform: Offizielle Entwicklerplattform zur Integration von Pudu-Robotern mit Anwendungen und Geschäftssystemen.

• [Pudu Robotics Support]

• Academy: Offizielle Handbücher, Bereitstellungsinformationen und Produktunterstützungsressourcen.

• PuduFM 1.0: Von Pudu entwickeltes, physisches Intuitions-getriebenes Basismodell für mehrere Roboterformen.

• PuduAgent: Pudus Plattform für verkörperte intelligente Agenten mit Planung, Gedächtnis, Ausführung, wiederverwendbaren Fähigkeiten und Sicherheitsfunktionen.

• PUDU D7 & WAIC 2026: Offizielle Informationen zum semi-humanoiden Roboter und seiner Rolle in Pudus verkörpertem AI-Technologie-Stack.

• Pudu Robotics Produktportfolio: Offizielle Informationen zu Liefer-, Reinigungs-, Industrie- und verkörperten KI-Robotern.

Verwandte Links

• Pudu Robotics auf der WAIC 2026: Offizielle Ankündigung zum PUDU D7 und der „One-Brain-Multi-Form"-Strategie.
• PuduFM 1.0 Technische Einführung: Offizielle Erläuterung zu PIM, VLA-Abstimmung, Welt-Simulator, Trainingsphasen und Daten-Fließrad.
• PuduAgent Veröffentlichung: Offizieller Überblick über die Plattform für verkörperte intelligente Agenten und ihre Betriebsarchitektur.
• Pudu Robotics Finanzierungsankündigung: Offizielle Informationen zur Finanzierungsrunde im April 2026 und zur Unternehmensbewertung.
• Pudu Robotics Nachrichten & Einblicke: Aktuelle offizielle Ankündigungen, Produkteinführungen, Bereitstellungsnachrichten und Partnerinformationen.
• PUDU Open Platform: Offizielles Integrations- und Entwicklerportal für Pudu-Robotiksysteme.

Zusammenfassung

Die auf der WAIC 2026 von Pudu Robotics gezeigte Strategie geht über das einzelne Roboterprodukt hinaus. Die eingesetzte kommerzielle Roboterflotte liefert Erfahrungen aus der realen Welt, während Simulationssysteme die Anzahl und Vielfalt der Trainingsszenarien erhöhen.

PuduFM 1.0 zielt darauf ab, gemeinsame physische Schlussfolgerungsfähigkeiten für verschiedene Roboterformen bereitzustellen. PuduAgent fügt Planung, Gedächtnis, Ausführung, wiederverwendbare Fähigkeiten und Sicherheitskontrolle hinzu. Der PUDU D7 demonstriert, wie dieser Technologie-Stack auf eine semi-humanoide Industrieplattform angewendet werden kann.

Die Strategie steht noch vor Herausforderungen in Bezug auf Datenqualität, formenübergreifende Übertragung, Simulationstreue, Datenschutz, Sicherheit und kommerzielle Rendite, aber das Kernkonzept ist bereits klar erkennbar.

Der Wettbewerbsvorteil der nächsten Robotergeneration liegt vielleicht nicht nur darin, leistungsfähigere Maschinen zu bauen, sondern auch darin, ein gemeinsames intelligentes System zu schaffen, das kontinuierlich von jedem arbeitenden Roboter lernt.