Rerun Assess

data-platform observability open-source physical-ai robotics multimodal-data time-series observability-and-visualization columnar-storage ros2 open-source-sdk

Sept. 2026

Überblick

Rerun ist ein Open-Source-Datenlayer für Physical AI: Logging, Storage, Query, Visualisierung und Streaming für Multi-Rate-, multimodale Daten. Sein Datenmodell ist darauf ausgelegt, Bilder, Punktwolken, Transforms, Zeitreihen, Joint States und Video aus Roboter-Logs, Human-Data-Rigs, Simulation und Web-Video aufzunehmen, in Formaten wie MCAP, dem eigenen rrd-Dateiformat und LeRobot-Datasets. Daten werden als Column-Chunks in rrd-Dateien gespeichert, und der Anbieter positioniert den Stack als Abdeckung von Collection, Refinement, Training und Deployment von Robotik-Daten.

Wir stufen Rerun als assess ein, weil es eine echte Lücke füllt. Unsere bestehenden Data-Platform-Einträge — Lakehouse-Tabellen, Vector Stores, Feature Stores — setzen web-förmige oder tabellarische Daten voraus und tun sich schwer mit zeit-, raum- und embodiment-gebundenen Sensor-Streams. Der Project Lead von Rerun bringt genau dieses Problem auf den Punkt: bestehende Infrastruktur wurde größtenteils um Web-Daten herum gebaut, und Robot Learning braucht einen einheitlichen Layer für multimodale, Multi-Rate-Streams. Mit dem SDK-Release 0.32 bewegte sich das Projekt über seinen ursprünglichen Ruf als Visualisierungstool hinaus zu einem einheitlichen Datenlayer, der Visualisierung, Query, Transformation und Training abdeckt.

Assess statt Trial spiegelt Reife wider, nicht Zweifel an der Richtung. Das Open-Source-SDK ist heute leicht für Inspektion und Debugging zu adoptieren; das Produktions-Backend (Rerun Hub) ist ein kommerzielles Private-Preview-Produkt, und zentrale Ingestion- und Catalog-Pfade sind noch als experimentell markiert. Teams sollten begrenzte Evaluationen durchführen und sich eine eigene Meinung bilden, bevor sie einen Data Loop darauf verwetten.

Adoptionssignale

Das 0.32-SDK-Release wird so beschrieben, dass es Rerun zu einem einheitlichen Datenlayer für physische Daten macht — Visualisierung, Query, Transformation und Training von Multi-Rate-, multimodalen Robotik-Daten — eine deutliche Erweiterung des Scopes über Visualisierung hinaus.
Anhaltende Release-Kadenz im GitHub-Releases-Feed: 0.30 im Februar 2026, 0.35 im Juli 2026, 0.36.2 im August 2026 und 0.37.0 im September 2026, mit vorgefertigten CLI-, C-, C++- und Web-Viewer-Artefakten pro Release.
Es wird in native Robotik-Ingestion investiert: 0.26 erlaubt es, rerun your-ros2-bag.mcap direkt auszuführen, und das Changelog zeigt, dass 0.35 zeitfenster-basierte und korrigierte MCAP-Konvertierung, verbesserte ROS-2-Timestamp-Behandlung, HDF5-Import und vorläufige LeRobot-v3-Unterstützung hinzufügt.
Drei unterstützte Sprachen (C++, Python, Rust) und über 10.000 GitHub Stars werden auf der Produktseite genannt, zusammen mit einer End-to-End-Positionierung von Collection bis Training.
Es existiert ein kommerzielles Angebot: Rerun Hub, der Catalog und Backend für Storage, Zugriff und Streaming in großem Maßstab aus Object Storage, wurde im Mai 2026 als in Private Preview verfügbar angekündigt.
Streaming- und Query-Ergonomie haben sich inkrementell weiterentwickelt — 0.24 fügte volle Unterstützung für Streaming von encodiertem Video hinzu, und 0.30 fügte Plotting beliebiger Skalare hinzu, einschließlich Werten aus MCAP-Dateien, sowie On-Demand-Streaming.

Risiken

Experimentelle Bereiche auf dem kritischen Pfad. Die MCAP-Unterstützung wird als noch experimentell und änderbar beschrieben, und der in 0.35 eingeführte, eingebaute Viewer-Catalog muss über die Einstellungen aktiviert werden und hat anerkanntermaßen noch Ecken und Kanten.
Kommerzielle Abhängigkeit für Skalierung. Das Open-Source-SDK ist die Einstiegsrampe, aber Rerun Hub — der Catalog-, Byte-Range-Indexing- und Retrieval-Layer, der das SDK über Object Storage skalieren lässt — ist ein Vendor-Produkt, das sich in Private Preview befand, sodass Pricing, SLAs und Exit-Optionen anhand öffentlicher Belege nicht bewertet werden können.
Breaking Changes zwischen Minor-Versionen. Releases liefern Migrationsanleitungen mit und entfernen oder ändern APIs (0.35 änderte die Signatur des Rust-StateChange::with_state und entfernte den CLI---follow-Modus zum Tailen von .rrd-Dateien), was laufende Upgrade-Kosten für alles verursacht, was in Pipelines eingebettet ist.
Format- und Lock-in-Überlegungen. Der Datenlayer basiert auf dem rrd-Column-Chunk-Dateiformat; Konvertierung aus anderen Formaten wird zwar beworben, aber Teams sollten Round-Trip-Garantien prüfen, bevor sie rrd zum System of Record machen.
Namenskollision. Ein unabhängiges Produkt, das ebenfalls Rerun heißt (rerun.build, betrieben von Reunit SA), vermarktet eine autonome KI-Agentenplattform; Verwechslungen bei Procurement, Suche und interner Dokumentation sind zu erwarten, daher den Anbieter explizit als rerun.io referenzieren.
Enge Anwendbarkeit. Das Value Proposition ist eng an Physical-AI-Workloads gekoppelt; Teams ohne Sensor-, Roboter- oder CV-Daten werden wenig finden, das bestehende Platform-Einträge nicht schon abdecken.

Vorteile & Nachteile

Vorteile

Rerun behandelt Multi-Rate-, multimodale Daten wie Bilder, Punktwolken, Transforms, Zeitreihen, Joint States und Video als vollwertiges Datenmodell erster Klasse – etwas, das die Lakehouse-, Vector-Store- und Feature-Store-Einträge auf unserem Radar nicht abdecken.
Der Einstieg ist wirklich günstig: pip install rerun-sdk oder cargo add rerun liefert Viewer, Query-Library, CLI und Dateiformat, und man kann die CLI direkt auf eine ROS2-Bag richten mit rerun your-ros2-bag.mcap.
Das Projekt liefert häufig und sichtbar aus, mit einem öffentlichen Changelog und einer Release-Kadenz von 0.30 im Februar 2026 bis 0.37 im September 2026, plus C++-, Python- und Rust-SDKs für gemischtsprachige Robotik-Stacks.

Nachteile

Die Skalierungsgeschichte hängt von Rerun Hub ab, dem kommerziellen Backend, das im Mai 2026 als Private Preview angekündigt wurde und sich daher nicht offen oder im Self-Service evaluieren lässt.
Mehrere der Ingestion- und Catalog-Fähigkeiten, auf die Teams sich stützen würden, sind explizit als experimentell gekennzeichnet — die MCAP-Unterstützung ist 'still experimental and subject to change', und der Viewer-Catalog muss in den Einstellungen aktiviert werden und hat noch Ecken und Kanten.
Releases bringen häufig Breaking Changes mit Migrationsanleitungen (zum Beispiel änderte 0.35 das Rust-StateChange::with_state und entfernte den CLI---follow-Tailing-Modus), sodass das Pinnen von Versionen und das Einplanen von Upgrade-Aufwand unvermeidlich ist.

Empfehlung

Wenn Robotik-, Teleoperations-, Autonomous-Vehicle- oder Computer-Vision-Workloads vorliegen, sollte man mit einer risikoarmen Evaluation des Open-Source-SDKs starten. Es installieren (pip install rerun-sdk) und die CLI auf eine bestehende ROS2-Bag oder MCAP-Datei richten, um zu sehen, wie gut die eigenen Aufnahmen die Ingestion überstehen, wobei zu beachten ist, dass die MCAP-Unterstützung noch als experimentell markiert ist. Allein dies rechnet sich oft schon als Debugging- und Inspektionstool, unabhängig von jeder Entscheidung über den breiteren Datenlayer.

Erst danach sollten die Platform-Ansprüche geprüft werden. Ein repräsentatives Dataset durch Refine-and-Query-Workflows führen, und falls Streaming zu Training das Ziel ist, den Dataframe-/Query-Pfad bei realistischem Volumen testen — hier wird die Abhängigkeit von Rerun Hub konkret, und hier sollte man mit dem Anbieter über Private-Preview-Konditionen, Roadmap und Self-Hosting-Optionen sprechen. Genaue SDK-Versionen in CI pinnen und die Migrationsanleitung für jeden Minor-Bump lesen; die Breaking Changes in 0.35 sind ein fairer Indikator für die laufenden Kosten.

rrd noch nicht zum System of Record für Daten machen, die man nicht regenerieren kann, und die kanonischen Logs im Originalformat belassen, bis die Konvertierungstreue in eigenen Tests nachgewiesen ist. Beim nächsten Radar-Zyklus erneut prüfen, mit einer Beförderung zu Trial abhängig davon, dass Rerun Hub General Availability erreicht und die MCAP-Ingestion ihr experimentelles Label verliert. Schließlich den Namen in interner Dokumentation und Vendor-Records disambiguieren, da eine unabhängige Agent-Plattform unter derselben Marke läuft.