Robotaxis: Markt könnte bis 2035 auf 400 Milliarden Dollar anwachsen
Veröffentlicht am: 26.09.2026 um 10:39 Uhr | Redaktion boerse-global.de
In der Entwicklung autonomer Fahrsysteme zeichnet sich ein deutlicher Strategiewechsel ab. Während in der Vergangenheit die reine Optimierung von Algorithmen im Vordergrund stand, verschiebt sich der Branchenfokus zunehmend auf hochpräzise Simulationen und eine leistungsfähige Datenkreislauf-Infrastruktur.
Branchenbeobachtern zufolge ist dieser Wandel notwendig, um die sogenannten Long-Tail-Herausforderungen – seltene und komplexe Verkehrsszenarien – zu bewältigen. Da Basisalgorithmen als weitgehend gereift gelten, gewinnen hochwertige Fahrdaten, automatisierte Annotation und skalierbare virtuelle Tests als wettbewerbsrelevante Faktoren an Bedeutung.
Skalierbare Datenverarbeitung in der Cloud
Die schiere Menge der anfallenden Informationen stellt Entwickler vor enorme infrastrukturelle Aufgaben. Ein Praxisbeitrag von Alibaba Cloud verdeutlichte in den letzten Tagen, dass pro Fahrzeug täglich Daten im Terabyte-Bereich generiert werden. Um diese Mengen zu bewältigen, kommen spezialisierte Pipelines zum Einsatz, die Frameworks wie MaxCompute MaxFrame, DataWorks und PAI nutzen.
Die Rechenleistung ist dabei ein kritischer Faktor: MaxCompute Serverless kann Zehntausende Compute Units (CU) bereitstellen, während einzelne Jobs Zehntausende Kerne beanspruchen.
Durch den Einsatz von MaxFrame soll im Vergleich zu herkömmlichen Open-Source-Lösungen eine Leistungssteigerung von über 40 % erzielt werden, was eine Verarbeitung im Bereich von Zehntausender-Parallelität ermöglicht. Für das Offline-Training stehen zudem Umgebungen zur Verfügung, die Tausende parallele Knoten unterstützen.
Virtuelle Testumgebungen und synthetische Szenarien
Ein wesentlicher Teil der Validierung verlagert sich von der Straße in den virtuellen Raum. Durch die Kopplung von MATLAB Simulink mit der Unreal Engine 4 lassen sich autonome Fahrfunktionen in hochrealistischen Umgebungen testen.
Experten gehen davon aus, dass virtuelle Tests über 80 % der Validierung gewöhnlicher Szenarien ersetzen können. Dies bietet erhebliche Kostenvorteile, da reale Testfahrten mit mehreren Zehntausend Yuan zu Buche schlagen können.
Wer sich mit dem technologischen Wandel der Industrie befasst, erkennt schnell das enorme Potenzial von Robotik und KI für die kommenden Jahre. Dieser kostenlose Report liefert konkrete Einblicke in jene Unternehmen, die von den Milliarden-Investitionen in diese Zukunftstechnologien am stärksten profitieren. Robotik und KI: So erkennen Sie die Profiteure der neuen Industrieära
Für die optische Erfassung in diesen Simulationen werden Kameraspezifikationen von 1.920 × 1.080 Pixeln mit einem Sichtfeld von 90° und einem Aktualisierungsintervall von 0,1 Sekunden als Standard angeführt.
Um die notwendige Bildrate für komplexe Simulationen zu erreichen, lassen sich durch die Deaktivierung dynamischer Schatten (30–40 %) oder die Reduzierung von volumetrischem Nebel (15–20 %) deutliche Performance-Gewinne erzielen.
Zusätzlich gewinnen Open-Source-Projekte wie LMDrive an Bedeutung, die Datenerzeugung und Training durch die Integration von Navigationsanweisungen, LiDAR und Mehrkamera-Systemen (Panorama-Auflösung von 800 × 2.400 Pixeln) in der CARLA-Simulation ermöglichen.
Fortschritte in der Annotation und Verhaltensmodellierung
Die Aufbereitung der Daten wird zunehmend durch Künstliche Intelligenz beschleunigt. Die Plattform SUSTechPOINTS ermöglicht die automatisierte Annotation von 3D-Punktwolken, wobei Fahrzeuge und Fußgänger mittels Trajektorieninterpolation und Mehrframe-Bearbeitung erfasst werden. Dies soll die Effizienz der KI-gestützten Annotation laut Angaben der Entwickler deutlich steigern.
Im Bereich der Szenariengenerierung veröffentlichte das World Model Team von ???? im August 2026 das Framework BehaviorWorldGen. Dieses Modell steuert das Verhalten anderer Verkehrsteilnehmer in Simulationen gezielt, um seltene Interaktionen zu erzeugen.
In Tests erwies sich das kausale Modell bei der Inferenz mit 0,3 s/Frame als deutlich schneller als bidirektionale Modelle, die 20 s/Frame benötigten. Besonders bei schwierigen Szenarien konnte die Modellqualität (gemessen am FID-Wert von 4,36) erheblich verbessert werden.
Der Einsatz von KI verändert ganze Branchen grundlegend und schafft neue Marktführer in der Industrie. Ein aktueller Report fasst zusammen, wie Robotik und intelligente Systeme die Produktionswelt umkrempeln und welche Unternehmen diesen Wandel bereits erfolgreich vollzogen haben. Experten-Analyse zur Industrierevolution 2026 kostenlos herunterladen
Kommerzielle Umsetzung in der Logistik
In der Logistikbranche treiben Kooperationen die Anwendung voran. Einride kündigte eine Zusammenarbeit mit Nvidia an, um die nächste Generation des Einride Driver auf Basis von DRIVE Hyperion für Level-4-Schwerlast-Lkw zu entwickeln. Das Unternehmen betreibt bereits Hunderte Elektro-Lkw und geht davon aus, dass rund 80 % der erfassten Nachfrage mittelfristig automatisierbar sind.
Bis 2028 soll die Flotte auf 1.500–2.000 Fahrzeuge anwachsen. Dabei wird auf Blackwell-GPU-Training und die Nutzung von synthetischen Szenarien durch Nvidia Cosmos gesetzt, um reale Daten zu ergänzen und gezielt nach schwierigen Fahrsituationen zu suchen.
Nvidia selbst positioniert DRIVE Hyperion 10 als Referenzarchitektur für Level 4, ausgestattet mit zwei DRIVE AGX Thor-Prozessoren sowie einer Sensorik aus 14 Kameras, 9 Radaren und 3 Lidaren.
Interne Tests zeigten, dass durch erweitertes Reasoning die Vorhersagegenauigkeit von Fahrwegen verbessert werden konnte, wobei der durchschnittliche Verschiebungsfehler um 43 % von 2,08 auf 1,18 sank. Branchenanalysten prognostizieren, dass der Markt für Robotaxis bis 2035 ein Volumen von 400 Mrd. US-Dollar erreichen könnte.
Nationale Infrastrukturprojekte
Parallel zur Fahrzeugtechnik wird an der notwendigen Geoinfrastruktur gearbeitet. Die Singapore Land Authority prüft in Zusammenarbeit mit Niantic Spatial die Machbarkeit einer nationalen Visual Positioning System-Karte. Hierbei wird untersucht, inwieweit landesweite 3D-Punktwolken und Luftbilder für die zentimetergenaue Lokalisierung von autonomen Geräten genutzt werden können.
Bereits im März 2026 stellte Nvidia auf der GTC Physical-AI-Modelle wie Cosmos 3 und Isaac vor, die unter anderem für digitale Zwillinge in der Lagerhauslogistik genutzt werden. Unternehmen wie KION und Siemens arbeiten hierbei bereits an autonomen Gabelstaplern und virtuellen Abbildern für große Logistikzentren.
