Vergleich: Robotaxi-Ökosysteme – Daten, Operations, Depots

Vergleich der Robotaxi-Ökosysteme: Tesla, XPeng, Wayve und VW/MOIA verfolgen unterschiedliche Strategien auf dem Weg zum skalierbaren Robotaxi. Während Tesla und XPeng stark von eigenen Consumer-Flotten profitieren, setzt Wayve auf Software-Lizenzierung und VW/MOIA auf ein integriertes Turnkey-Modell mit Ride-Pooling. Neben den reinen Fahrdaten entscheiden zunehmend die Betriebsinfrastruktur – Mission Control, Buchungs-Apps und spezialisierte Depots – über den wirtschaftlichen Erfolg.

1. Datenmengen und das Lern-Schwungrad

• Tesla verfügt mit Abstand über die größte Datenmenge. Die Consumer-Flotte hat bis Mitte 2026 über 12 Milliarden FSD-Meilen (ca. 19–20 Mrd. km) gesammelt. Diese Daten speisen das end-to-end-KI-Netz kontinuierlich.
  Die unsupervised Robotaxi-Kilometer liegen allerdings noch deutlich niedriger (über 380.000 Meilen / ca. 610.000 km bis Juli 2026 bei einer kleinen Flotte von ca. 20–30 Fahrzeugen ohne Sicherheitsbegleitperson). Aber: Diese Zahl steigt sehr schnell.
• XPeng profitiert stark von den Daten der eigenen Elektroauto-Flotte. Die VLA-2.0-Nutzung ist bereits hoch (in ausgestatteten Fahrzeugen oft über 50 % der gefahrenen Strecke). Das reine Robotaxi-Geschäft befindet sich noch in der Anfangsphase (Mitarbeiter-Tests seit Juli 2026, erste Fahzeuge aus der Serienfertigung, Pilotbetrieb geplant für H2/2026).
• Wayve veröffentlicht keine großen kumulativen Flotten-Kilometerzahlen. Der Fokus liegt auf Generalisierung (zero-shot in über 500 Städten) und dem Software-Lizenzmodell statt einer eigenen riesigen Flotte. Die Lernbasis stammt aus jahrelangen Tests (seit 2018 in London) und gezielten Datensammlungen mit Partnern.
• VW/MOIA: Keine vergleichbaren öffentlichen Consumer-Datenmengen. Das System basiert auf Mobileye-Technologie und wird primär über die eigenen Testflotten (ID. Buzz AD) und Partner validiert. Der Schwerpunkt liegt eher auf der Integration in städtische Mobility-Plattformen als auf einem massiven End-to-End-Sammlung von Fahrdaten.
• Partnerschaften mit NVDIA: mehrere OEMs haben 2026 Entwicklungspartnerschaften mit NVDIA kommuniziert, was einem mit Tesla und XPeng vergleichbaren technologischen Ansatz entspricht. Das Sammeln von realen Verkehrsdaten für das Anlernen der KI steht hier ganz am Anfang.

2. Mission Control Center und Flottenüberwachung

Tesla betreibt dedizierte Robotaxi-Depots (z. B. in Austin) mit automatisierter Inspektion, Reinigungsrobotern und Echtzeit-Monitoring. Die Technische Aufsicht erfolgt über eigene Systeme, ergänzt durch Remote-Unterstützung bei Bedarf.

XPeng baut eine eigene Robotaxi Business Unit auf und nutzt die bestehende AI-Infrastruktur (Turing-Chips). Details zu zentralen Mission-Control-Zentren sind noch begrenzt, da der kommerzielle Betrieb erst startet.

Wayve arbeitet eng mit Uber zusammen. Die operative Kontrolle liegt weitgehend bei Uber (bestehende Dispatch- und Überwachungsstrukturen), während Wayve die KI liefert.

VW/MOIA positioniert sich als Turnkey-Anbieter: Fahrzeug + Mobileye-Stack + Flottenmanagement-Software + Operator-Services. In Hamburg läuft die Technische Aufsicht über die MOIA-Systeme (VW-Tochter), in den USA in Kooperation mit Uber bzw. Beep.

3. Buchungs-Apps

• Tesla: Eigene Tesla Robotaxi-App mit Funktionen wie Multi-Stop, Warteschlangen bei hoher Nachfrage, Reinigungsgebühren und Bewertungen.
• XPeng: Dedizierte Robotaxi-App (im Testbetrieb) mit Features wie Vorauswahl der Kabinentemperatur, Zwischenzielen und Interaktion mit dem In-Car-Assistenten.
• Wayve: Über die Uber-App (Interest-List → Early-Access → reguläre Buchung). Kein separates Wayve-Frontend für Endkunden.
• VW/MOIA: Eigene MOIA-App für den Ride-Pooling-Dienst in Hamburg (virtuelle Haltestellen, Shared Rides). In den USA über Uber bzw. Partner-Apps.

4. Kommerzielle Depot-Lösungen (Reinigung und Laden)

Tesla baut die am weitesten entwickelten spezialisierten Depots: Supercharger-Hubs, kabellose Lade-Pads (bis 80 Pads geplant in Austin), automatisierte Reinigungsroboter (mechanischer Arm mit Werkzeugwechsel für Innenraum) und Inspektionssysteme. Ziel ist ein weitgehend berührungsloser Zyklus: Ankommen → Laden → Reinigen → erneute Disposition.

XPeng kann auf das dichte eigene Supercharging-Netz in China zurückgreifen. Für Robotaxis sind noch keine detaillierten öffentlichen Depot-Konzepte mit vollautomatisierter Reinigung bekannt; der Fokus liegt derzeit auf Produktion und Pilotbetrieb.

Wayve/Uber: Depots und Wartung werden voraussichtlich über bestehende Uber-Partnerstrukturen und lokale Betreiber abgewickelt. Spezifische Automatisierungslösungen sind noch nicht prominent kommuniziert.

VW/MOIA: Als Turnkey-Lösung integriert MOIA Flottenmanagement und Operator-Services. Für den Shared-Shuttle-Betrieb in Hamburg und die geplanten US-Einsätze sind zentrale Depots vorgesehen, allerdings bisher weniger öffentlich über hochautomatisierte Reinigungsroboter berichtet als bei Tesla.

5. Ladevorgänge pro Doppelschicht (ca. 16–20 Betriebsstunden)

Die genaue Zahl hängt von Reichweite, Verbrauch, Nutzungsintensität und Ladeleistung ab. Erste Ladung in den frühen Morgenstunden im Depot; weitere Ladungen während der Schicht. Orientierende Einschätzung für eine typische Doppelschicht:

Fahrzeug / System	Typische Reichweite / Effizienz	Geschätzte Ladevorgänge pro Doppelschicht	Bemerkung
Tesla Cybercab / Model Y Robotaxi	Sehr hoch (niedriger Fahrzeug-Verbrauch)	Cybercab: 1 – 2 Model Y: 2	Hohe Reichweite + schnelle/wireless Ladung ermöglichen hohe Verfügbarkeit
XPeng Robotaxi (eigenen SUV-/Plattformen)	Gut	2 – 3	Abhängig von Batteriegröße
Wayve (Ford Mustang Mach-E)	Mittel	2 – 3	Kompakteres SUV
VW ID. Buzz AD (MOIA)	Höherer Verbrauch (größeres Fahrzeug, mehr Sitze)	2 – 4	Ride-Pooling mit höherer Auslastung und mehr Gewicht erfordert häufiger Nachladen

Tesla zielt mit dem Cybercab und induktivem Laden auf die niedrigste Anzahl an Unterbrechungen. Ein halbes Mal nachladen kann reichen. Der ID. Buzz als größerer Shuttle benötigt tendenziell mehr Ladezyklen, kann per Ride-Pooling jedoch mehr Passagiere gleichzeitig transportieren.

Zusammenfassung: Vergleich Robotaxi-Ökosysteme

Tesla führt klar bei Datenvolumen und der Lade- und Depot-Infrastrukturen für Robotaxis oder Automatisierung von Depots (Reinigen + Laden). XPeng kann über seine Fahrzeugflotte in China und die schnelle Entwicklung der Robotaxi-Hardware aufholen. Wayve punktet mit Generalisierungsfähigkeit und der Partnerschaft mit Uber (Buchung und Operations). VW/MOIA setzt auf ein integriertes Turnkey-Modell mit Fokus auf Shared Mobility und Integration in städtische ÖPNV-Systeme.

Der Wettbewerb verschiebt sich 2026 zunehmend von der reinen KI-Fahrleistung hin zur Effizienz der gesamten Wertschöpfungskette – von der Buchungs-App über das Mission Control Center bis zum automatisierten Depot. Wer hier die geringsten Stillstandszeiten und die höchste Fahrzeugauslastung erreicht, wird die Wirtschaftlichkeit am stärksten verbessern.

Aspekt	Wayve	Tesla	XPeng	VW / MOIA (Mobileye)
Kernarchitektur	End-to-End (AV 2.0)	End-to-End (FSD v14/v15)	End-to-End VLA 2.0 (+ World-Model-Elemente)	Compound AI / modular mit End-to-End-Elementen (Mobileye Drive); starke Sensorfusion + True Redundancy
Lernen aus Daten seit	ca. 2017/2018 (Gründung 2017, öffentliche Tests in London seit 2018)	ca. 2016/2017 (Autopilot-/FSD-Flottendaten)	Seit früheren NGP-Systemen; starker Schub mit VLA 2.0 ab März 2026	Mobileye-ADAS-Daten seit Jahrzehnten (hunderte Mio. Fahrzeuge); gezielte AV-Tests für ID. Buzz AD seit ca. 2023/2024
Kumulative gefahrene Kilometer (Lern-/Betriebsdaten)	Nicht öffentlich in Gesamtsumme beziffert; AI-500-Roadshow allein ca. 1,45 Mio. km (2025); jahrelange Tests in 500+ Städten	FSD gesamt: über 12 Mrd. Meilen (ca. 19–20 Mrd. km) bis Mitte 2026	Keine klare Gesamtsumme veröffentlicht; bei VLA-2.0-Fahrzeugen hohe tägliche Nutzung (z. B. Dutzende Mio. km in kurzen Perioden nach Rollout)	Ca. 600.000 Testkilometer mit Prototypen (öffentliche Angaben); keine Milliarden-Skalierung wie bei Tesla
Supervised Fahrzeuge / Betrieb	Ca. 15 Ford Mustang Mach-E (London, PHV-lizenziert, mit Sicherheitsfahrer); Early-Access-Fahrten seit Aug. 2026	Consumer-FSD: 1,48 Mio. aktive Abonnements (fahrerüberwacht); Robotaxi-Paid-Miles ca. 2,5 Mio. (inkl. Safety-Monitor)	Verbraucherflotte mit VLA 2.0 (Penetration >50 % der Fahrstrecke auf ausgestatteten Fahrzeugen); Robotaxi-Tests mit Safety-Operator	Hamburg: 5–10 Fahrzeuge mit Safety-Monitor (Ride-Pooling); LA: Scaling auf >100 Fahrzeuge mit Operators; kommerzielle Fahrten ab Ende 2026 supervised
Unsupervised Fahrzeuge / Betrieb	Noch keine (kommerziell supervised)	Robotaxi: ca. 20–30 Fahrzeuge (Austin + weitere Städte); >380.000 unsupervised Meilen (ca. 610.000 km) bis Juli 2026	Robotaxi: Mitarbeiter-Tests seit Juli 2026, erste massengefertigte Einheiten; vollständig unsupervised angestrebt ab Anfang 2027	Noch keine; vollständig fahrerlos geplant ab 2027
Sensorik	Kameras + Radar	Primär Kameras (Vision-only)	Primär Kameras (Radar/Ultraschall nur Safety-Layer)	13 Kameras + 9 LiDAR + 5 Radar (starke Multi-Sensor-Fusion)
Kartenabhängigkeit	Sehr gering / map-light	Praktisch keine HD-Karten	Keine HD-Karten	Höher: nutzt REM (Road Experience Management) – crowd-sourced, HD-ähnliche Karten

Die Tabelle zeigt den klaren Gegensatz: Wayve, Tesla und XPeng setzen auf schlanke, vision-zentrierte End-to-End-Systeme mit minimaler Kartenabhängigkeit. VW/MOIA mit Mobileye folgt einem redundanten, multi-sensorischen und modulareren Ansatz, der stärker auf vorab validierte Wahrnehmung und systemische Sicherheit setzt.

Abschließendes Fazit: Vergleich: Robotaxi-Ökosysteme

Die Robotaxi-Landschaft 2026 zeigt zwei klar voneinander abgegrenzte technologische Pfade. Wayve verfolgt einen End-to-End-KI-Ansatz, bei dem die Software primär aus menschlichen Fahrdaten lernt und weitgehend ohne detaillierte HD-Karten auskommt. Damit bewegt sich Wayve im aktuellen Mainstream rund um Tesla (FSD) und XPeng (VLA 2.0): Alle drei setzen auf vision-zentrierte Systeme und skalierbare neuronale Netze statt auf klassische, modulare Architekturen mit hoher Kartenabhängigkeit. Die Unterschiede liegen vor allem im Feinschliff der Sensorik, den zusätzlichen World-Model-Komponenten (bei XPeng) sowie den Geschäftsmodellen (Wayve als Software-Partner vs. eigene Flotten bei Tesla und XPeng).

VW/MOIA geht hingegen einen anderen Weg: Die ID. Buzz AD-Fahrzeuge basieren auf der Mobileye Drive-Technologie, die auf eine ausgeprägte Sensorfusion setzt. Mit einer deutlich höheren Anzahl an Sensoren – darunter mehrere LiDAR-Einheiten, Kameras und Radare – folgt das System einem modularen und stark abgesicherten Stack. Der Fokus liegt weniger auf reiner Vision-Skalierung, sondern auf robuster, vorab validierter Wahrnehmung in klar definierten Betriebsbereichen – kombiniert mit einem schlüsselfertigen Gesamtpaket aus Fahrzeug, Software, Flottenmanagement und Operator-Services.

Während Tesla und XPeng ihre Stärke aus dem massiven Daten-Flywheel ihrer Consumer-Flotten sowie der Automatisierung von Depots (Laden, Reinigen, Inspektion) ziehen, punktet Wayve mit hoher Generalisierungsfähigkeit und der Partnerschaft mit Uber. VW/MOIA positioniert sich wiederum als integrierter Systemanbieter für Städte und Mobilitätsplattformen – mit Ridepooling als Einstieg und einer klaren Roadmap in Richtung vollständig fahrerlosen Betriebs ab 2027.

Langfristig entscheidet nicht allein die Fahr-KI, sondern das Zusammenspiel aus Datenvolumen, operativer Effizienz (Mission Control, Apps, Depot-Automatisierung) und starken Unit Economics bei hoher Fahrzeugauslastung. Die visionären End-to-End-Ansätze von Tesla, XPeng und Wayve versprechen eine schnellere Skalierung zu niedrigeren Hardwarekosten. Der Mobileye-basierte Weg von VW/MOIA setzt dagegen voll auf Sensor-Redundanz und nahtlose systemische Integration – ein Ansatz, der vor allem in komplexen, stark regulierten Stadtgebieten Vorteile bietet. Beide Strategien entwickeln sich parallel weiter; letztlich wird der Markt zeigen, welcher Pfad unter realen Betriebsbedingungen die höhere Verfügbarkeit und Wirtschaftlichkeit liefert.