MEKAWIRE
Forschung

Studien

Neue Studien zu Robotik und Physical AI, jeweils mit ihrer Bedeutung für die Branche.

74 Studien
ThemaAlleManipulation 76VLA 66Navigation 35Robotics 32Learning 27Perception 22Humanoid 21Simulation 15Locomotion 14Safety 11World Action Models 4World-action model 3Aerial 2Aerial manipulation 2Dexterous manipulation 2Sim-to-Real Manipulation 2Social Navigation 2Vision-Language Navigation 2World models 23D Assembly 13DGS dataset 15G Simulation 1AMR Operations 1Active vision manipulation 1Adaptive MPC 1Adaptive action horizons 1Adaptive intervention 1Aerial Manipulation 1Aerial navigation 1Agricultural Robotics 1Articulation Estimation 1Autonomous Driving 1Autonomous Exploration 1Battery-aware RL 1Belief-space planning 1Bimanual Manipulation 1Byzantine localization 1Canal inspection 1Co-speech Humanoid 1Compositional Manipulation 1Construction navigation 1Contact-Rich Manipulation 1Contact-rich Manipulation 1Continual reinforcement learning on top of robot foundation models 1Continuum sensing 1Cross-embodiment transfer of humanoid whole-body controllers 1Curriculum RL 1Dexterous Manipulation 1Distributed Manipulation 1Distribution Shift 1Driving Simulation 1Efficient VIO 1Egocentric data 1Egocentric video 1Embodied Agents 1Embodied policy 1Empowerment MPC 1Endoscopic navigation 1Endovascular robotics 1Evaluating robot world models against real executions 1Event-camera VO 1Exoskeletons 1Failure recovery 1Federated 3D Perception 1Fisheye detection 1Floorplan SLAM 1Geometry-aware manipulation 1Grasping 1Grounding 1Humanoid Control 1Humanoid RL 1Humanoid Tool Use 1Humanoid control 1Humanoid loco-manipulation 1Humanoid safety 1Humanoid whole-body control 1Imitation Learning 1JEPA World Models 1Lab automation 1Laboratory Manipulation 1Latent World Models 1Legged Manipulation 1LiDAR Security 1Lifelong RL 1MAPF 1MAV guidance 1Manipulation LfD 1Manipulation Safety 1Marine simulation 1Memory-centric VLA 1Miniature Locomotion 1Mining Perception 1Mobile manipulation 1Model-based RL 1Monocular SSC 1Motion Planning 1Multi-Agent RL 1Multi-Robot Exploration 1Multi-Robot Manipulation 1Multi-UAV Exploration 1Multi-UAV State Estimation 1Multi-agent RL 1Multi-agent motion planning 1Multi-camera odometry 1Multi-fidelity RL 1Multi-robot manipulation 1Multi-skill Manipulation 1Multi-view perception 1Multimodal simulation 1Navigation & Mapping 1Object Pose Estimation 1Object Search 1Panoramic 3D Detection 1Panoramic segmentation 1Pedestrian tracking 1PersonNav 1Planning 1Policy 1Policy Optimization 1Preference Learning 1Quadruped locomotion 1Real-time VLA 1Real-to-sim 1Reinforcement learning for industrial assembly 1Representation alignment 1Robot-Use Agents 1Runtime Verification 1Safe Generative Planning 1Safe RL-MPC 1Safe VLA 1Safety monitoring 1Safety-critical control 1Sim-to-real Navigation 1Sim-to-real manipulation 1Simulation geometry 1Skill Discovery 1Social navigation 1Soft Pneumatic Actuators 1Soft manipulation 1Sonar SLAM 1Streaming 3D reconstruction 1Submovement decomposition 1Surgical 1Surgical robotics 1Tactile 1Tactile Exploration 1Tactile VLA 1Temporal manipulation 1Terrain traversability 1Text-to-3D Policy 1Tool Co-Design 1Trajectory Correction 1Traversability 1UAV Navigation 1UAV Swarms 1UAV traffic monitoring 1Underwater Robotics 1Underwater active mapping 1Underwater perception 1Unified world-action model 1VLA Conditioning 1VLA Defense 1VLA Robustness 1VLA evaluation 1VLA manipulation 1VLA robustness 1Video world models 1Visual Generalization 1Visual Grounding 1Visual Reward Models 1Visuomotor Fusion 1Visuotactile manipulation 1World Models 1World-Action Models 1
NiveauAlleEinstiegFortgeschrittenExperten
Noch nicht auf Deutsch verfügbar: Anzeige im englischen Original.
Gefiltert nach Technologie Vision-Language-Action-Modelle, zurücksetzen
arXiv
VLAExperten

Recovering Low-Bit Failures in Vision-Language-Action Policies via Quantization-Conditioned Reinforcement Learning

Seongmin Park, Jaewon Lee, Yujun Heo, Yoonsik Kim, Seheon Choi, Hyoung-rock Kim, Jungwook Choi

Quantization lowers deployment costs of vision-language-action (VLA) policies but can compromise task completion. Across five VLA models and 4,050 real-world trials, we systematically reveal that quantization-aware training (QAT) generally improves on post-training quantization (PTQ) but leaves substantial gaps to full precision (FP) on long-horizon tasks and under visual and semantic shifts, while its imitation-based objective does not explicitly use rollout success or partial completion.

VLARL
Vollständige Studie lesen (PDF)
arXiv
VLAExperten

Vision-Predictor-Action: Towards Efficient Embodied AI via Neuro-Symbolic JEPA Predictors

Yeonseok Lee

Vision-Language-Action (VLA) models commonly generate robot actions token by token through Large Language Model (LLM) decoders, causing inference latency to grow with action sequence length and limiting closed-loop control frequency. We present Goal-Conditioned Vision-Predictor-Action (VPA), which replaces autoregressive decoders with a lightweight latent control loop.

VLA
Vollständige Studie lesen (PDF)
arXiv
VLAExperten

RESCUE: Is This Alarm Worth Acting On? Counterfactual Evaluation of VLA Runtime Monitors

David Ahmedt-Aristizabal, Abdelwahed Khamis, Mohammad Ali Armin, Lars Petersson

Runtime failure monitors for robot policies are typically evaluated by how accurately they distinguish failed from successful executions. Yet an accurate alarm may arrive too late for recovery, while an unnecessary intervention may disrupt an execution that would otherwise succeed.

VLA
Vollständige Studie lesen (PDF)
arXiv
VLAExperten

Reflect-VLA: Internalizing Reflective Guidance via Dual-Path On-Policy Self-Distillation for Autonomous Driving

Yuechen Luo, He Chong, Fang Li, Shaoqing Xu, Hexin Zhang, Ruiqi Zhang, Ziying Song, Lei Yang, Zhi-Xin Yang, Fuxi Wen

Reinforcement Learning (RL) substantially improves planning performance in autonomous-driving Vision-Language-Action (VLA) models. However, existing RL methods rely on scalar trajectory rewards that measure overall quality but fail to identify specific planning errors or provide actionable correction signals.

VLARL
Vollständige Studie lesen (PDF)
arXiv
VLAExperten

Forward Dynamics Models

Zipei Ma, Junzhe Jiang, Jiahui Zhang, Juntong Zhang, Chun Gu, Bozhou Zhang, Jiankang Deng, Xiatian Zhu, Li Zhang

Vision-language-action (VLA) models and world action models (WAMs) have advanced robotic policy learning by building on pretrained vision-language models (VLMs) and video generative models (VGMs), respectively. Yet VLAs learn without explicit supervision from future world states, while WAMs that condition actions on predicted futures incur extra inference cost and let visual prediction errors propagate into actions.

VLA
Vollständige Studie lesen (PDF)
arXiv
VLAExperten

RARA: Robust Policy Fine-Tuning through Retrieval-Anchored Representation Alignment for Robotic Manipulation

Xuhui Kang, Sung-Wook Lee, Yan Zhuang, Tianle Zhong, Yen-Ling Kuo

Pre-trained robot policies, such as Vision-Language-Action (VLA) models, provide a strong foundation for generalist robotic manipulation, but adapting them to new tasks with only a few demonstrations remains challenging. Directly fine-tuning a pre-trained policy often achieves strong in-distribution performance, yet it can distort the representations learned during pre-training and weaken the model's generalization ability under out-of-distribution shifts.

VLA
Foundation
Vollständige Studie lesen (PDF)
arXiv
VLAExperten

Noise Space Learning for VLA Adaptation

Junjie Lu, Chuheng Zhang, Yucen Wang, Yuhua Jiang, Xinyao Qin, Min Xu, Li Zhao

Pretrained vision-language-action (VLA) models encode broad manipulation priors, yet adapting them to specific tasks requires balancing limited robot interaction, computational resources, and safety constraints. Noise space learning (NSL) adapts flow-matching-based VLAs by learning a context-conditioned distribution over noise while keeping the pretrained VLA fixed.

VLA
Vollständige Studie lesen (PDF)
arXiv
VLAExperten

Beyond Actions: Learning Future Operation Targets for Vision-Language-Action Models

Min Lin, Bokai Zhou, Jianqi Lin, Kaiyuan Yang, Yicheng Chang, Junjie Yu, Xiaofan Liu, Jianhua Han, Rui Li, Shen Zhao, Xiaodan Liang

Actions specify what a robot should execute, but do not describe what those commands will achieve. Vision-language-action (VLA) policies nevertheless learn primarily by predicting action chunks from images, language, and state.

VLAFeinmanipulation
Vollständige Studie lesen (PDF)
arXiv
VLAExperten

Splat2Act: From Captured Scenes to Personalized VLA Manipulation

Xiaomeng Ye, Krishna Jaganathan, Gyubeum Lim, Gunjan Chhablani, Muhammad Zubair Irshad, Zsolt Kira

A user who brings a generalist manipulation policy into their home or office wants it to pick up their objects from their shelves, counters, and tables. Yet even a strong generalist like $π_{0.5}$ achieves 0% pickup success in our captured deployment scenes without adaptation, and collecting real demonstrations in every user's environment is prohibitively expensive.

VLA
Vollständige Studie lesen (PDF)
arXiv
VLAExperten

LAPT-Scale: Scaling Embodied Policies with Latent Action Pre-Training on Human Videos

Zhiyuan Xiang, Peidong Liu, Mingyang Li, Jiawei Li, Wenhow Li, Wenbo Ding, Xiang Deng

Scaling generalist robotic policies is limited by the high cost of collecting embodied interaction data. Large-scale egocentric human videos offer a rich alternative, but they lack robot action labels, and existing action annotation methods are often noisy under real-world visual complexity and diverse manipulation dynamics.

VLA
Vollständige Studie lesen (PDF)
arXiv
World-action modelExperten

Welche Bildmerkmale World-Action-Modelle brauchen: Systematischer Vergleich von Galbot und der Chinesischen Akademie der Wissenschaften

Kai Liu, Jiangran Lyu, Tingyu Deng, Yixin Zheng, Jingtian Wan, Wenbo Cui, Mi Yan, Yizhou Zhou, Haoran Li, Dongbin Zhao, Zhizheng Zhang, He WangInstitute of Automation, Chinese Academy of Sciences; Galbot; Peking University; University of Science and Technology of China

Ein Preprint des chinesischen Humanoid-Herstellers Galbot und der Chinesischen Akademie der Wissenschaften prüft, welche fertigen Bildencoder videobasierte Robotersteuerungen zuverlässiger machen, und kommt zu dem Schluss, dass ein einzelner starker Universal-Encoder den Großteil des Gewinns liefert. Das daraus abgeleitete Rezept erzielt im Humanoid-Benchmark RoboCasa GR1 einen Bestwert von 84,7 Prozent und hebt die Erfolgsquote bei drei Aufgaben auf einem realen Galbot-Roboter um jeweils 10 Punkte.

WeltmodelleVLARobotik-BasismodelleImitationslernen
GalbotNVIDIAPhysical Intelligence
Vollständige Studie lesen (PDF)
arXiv
Tactile VLAExperten

SimpleTouch: VLA-Erweiterung meistert kontaktintensive Manipulation ohne taktiles Policy-Vortraining

Chen Yang, Linzhe Shi, Changjie Wu, Hang Zhang, Ronghan Chen, Lingjun Zhang, Xu Hu, Mu Xu, Jiansheng Fan, Chen Wang

SimpleTouch ist ein Preprint, der das VLA-Modell π0.5 um einen taktilen Experten erweitert und nur aufgabenspezifische Demonstrationen nutzt. In sechs UniVTAC-Aufgaben erreicht der Ansatz 77,5 % mittlere Erfolgsrate und übertrifft das taktil vorab trainierte FTP-1 um 10,8 Prozentpunkte, auf vier realen Roboteraufgaben um 8,8 Punkte. Das zeigt, dass zusätzliche taktile Policy-Vortrainierung oder separate visuotaktile Alignmentschritte nicht zwingend erforderlich sind.

VLATaktile Sensorik
Vollständige Studie lesen (PDF)
arXiv
VLAExperten

FastOPD: On-Policy-Destillation für leichtgewichtige VLA-Bereitstellung

Yoojin Oh, Jeongsol Kim, Yeonwoo Seo, Jangho Park, Seonghyun Jin, Sunwoo Park, Youngmin Kim, Youngjun Jun, Kyumin Choi, Jong Chul Ye

Das Preprint beschreibt FastOPD, ein Framework, das große Vision-Language-Action-Modelle per On-Policy-Destillation in kompakte Studenten mit wenigen Inferenzschritten überführt. Es kombiniert eine einzelne On-Policy-Lehrerüberwachung mit Selbstkonsistenz und erreicht auf LIBERO mit zwei Schritten 81,8 % Erfolgsrate, was 84 % der Leistung von π0.5 entspricht, bei 78,1 % geringerer Latenz. Das Verfahren senkt Trainings- und Inferenzkosten deutlich und wurde auch real auf einem Roboter demonstriert.

VLA
Foundation
Vollständige Studie lesen (PDF)
arXiv
Mobile manipulationExperten

MobiAgent: Dual-Loop-Agentensystem für mobile Manipulation mit rekursiver Selbstverbesserung

Chenzhi Liu, Yue Zhang, Jiehong Lin, Jianan Wang, Bo Wang, Zhongrui Wang, Xiaojuan Qi

MobiAgent ist ein als Preprint veröffentlichter Dual-Loop-Agentenframework für langhorizontige mobile Manipulation. Der Inner Loop kombiniert einen VLM-basierten Task Planner, einen Skill Executor mit gemeinsamen VLM-Backbone und getrennten Flow-Matching-Experten sowie einen Reflection Critic zur Verifikation und globalen Replanung; der Outer Loop segmentiert und verifiziert Rollouts automatisch, clustert atomare Skills und trainiert die Skill-Bibliothek kontinuierlich ohne manuelle Annotation. Auf BEHAVIOR-1K erreicht MobiAgent eine mittlere Erfolgsrate von 65,0 % und übertrifft die aufgabenspezifische Baseline π0.5-TA um 22,5 Prozentpunkte; auf dem realen Astribot S1 steigt die Erfolgsrate durch Datenrecycling von 32,5 % auf 57,5 %.

VLA
Vollständige Studie lesen (PDF)
arXiv
VLA DefenseExperten

Erkennungsgesteuerte SAE-Feature-Unterdrückung macht VLA-Modelle robuster gegen Adversarial Patches

Yukiya Horiba, Koshiro Aoki, Shunsuke Yasuki, Bum Jun Kim, Taiki Miyanishi

Der Preprint stellt eine Abwehr für Vision-Language-Action-Modelle vor, bei der ein Sparse Autoencoder ein mit Adversarial Patches korreliertes internes Feature identifiziert und eine lineare Sonde Angriffe erkennt. Die Methode unterdrückt das Feature nur bei erkannter Attacke und verbessert auf LIBERO-10 die Erfolgsrate unter intermittierenden UADA-Angriffen, etwa bei π0.5 von 26,0 % auf 32,4 % bei n=10. Die Ergebnisse zeigen, dass gezielte Eingriffe in interne Repräsentationen die Robustheit erhöhen können, ohne das VLA-Modell feinzutunen.

VLA
Vollständige Studie lesen (PDF)
arXiv
VLA manipulationExperten

ChunkVLA-AM: Paralleles Aktions-Chunking für Vision-Language-Action-Steuerung in der additiven Fertigung

Zhugang Liu, Kaichuang Zhang, Jinman Zhang, Pu Sun, Martha Asare, Jose Hernandez, Maxim Ermolinsky, Efren Saenz, Qi Lu, Jinghao Yang

Das Preprint ChunkVLA-AM stellt eine reproduzierbare Deployment-Pipeline vor, die OpenVLA-OFT mit LoRA auf einen FAIRINO FR3 in einer festen Additive-Manufacturing-Arbeitszelle adaptiert und Acht-Schritt-Aktions-Chunks vorhersagt. In 42 physischen A-zu-B-Transferversuchen wurden 39 erfolgreich abgeschlossen, was einer Erfolgsquote von 92,9 Prozent entspricht; die drei Fehlschläge ereigneten sich beim finalen Ablegen wegen unzureichender Höhenkontrolle. Die begleitende Beleuchtungsanalyse weist einen Niedrigfehlerbereich von 85 bis 125 Luminanz aus und zeigt, dass der Ansatz für wechselnde Lichtverhältnisse in AM-Zellen robuster gemacht werden kann.

VLA
Vollständige Studie lesen (PDF)
arXiv
Unified world-action modelExperten

UniWAM: Einheitliches World-Action-Modell mit physischer Sprachaufsicht und Human-Robot-Co-Training

Jiayi Chen, Wenxuan Song, Jingbo Wang, Shuai Zhou, Xicheng Gong, Zehua Fan, Ziyang Zhou, Junwu E, Haodong Yan, Fuhao Li, Qize Yu, Xu Huang, Pengwei Wang, Wen Chen, Shunbo Zhou, Haoang Li

UniWAM ist ein Preprint, der einen einheitlichen Ansatz aus physikalischem Reasoner, Weltgenerator und Aktionsprädiktor vorstellt. Das Modell erreicht in LIBERO 99,2 %, in LIBERO-Plus 92,6 % und in RoboTwin 2.0 Clean2Random 68,32 % und übertrifft damit die angeführten Baselines in der OOD-Robustheit. Die Autoren berichten zudem ein logarithmisch-lineares Skalierungsgesetz für gemeinsames Training auf menschlichen und Roboter-Daten.

VLA
Vollständige Studie lesen (PDF)
arXiv
ManipulationExperten

DynaHarness: Dynamischer physischer Harness für selbst evolvierende Roboteragenten

Haoyuan Deng, Jiebin Liu, Tengxiao Zhang, Langning Yan, Hongye Cao, Ziwei Wang

Das Paper stellt DynaHarness vor, einen Preprint, der einen dynamischen physischen Harness beschreibt, der semantische Planung eines Qwen3-VL-4B-Slow-Brain mit physischer Governance durch einen gemeinsamen Ausführungskontrakt verbindet. Auf LIBERO-Pro erreicht das eingefrorene System 75,2 % auf 800 neu gesampelten Startzuständen, die eingefrorene VLA-Politik 17,5 %. Der Ansatz zeigt, wie Ausführungsevidenz gezielte, validierte Revisionen wiederverwendbarer Fähigkeiten ermöglicht.

VLA
Vollständige Studie lesen (PDF)
arXiv
Safe VLAExperten

FailBank: Self-Evolution von Vision-Language-Action-Modellen durch Laufzeit-Feedback

Mingyue Cui, Zheyuan Liu, Yihan Zhu, Zheyuan Zhang, Meng Jiang

FailBank ist ein vierstufiges Self-Evolution-Framework, das Laufzeit-Feedback einer CBF-basierten Sicherheitskomponente in persistente Policy-Verbesserungen für Vision-Language-Action-Modelle umwandelt. Ein Preprint auf arXiv berichtet, dass FailBank die Aufgabenerfolgsrate gegenüber den Basispolicies um 8,5 bzw. 6,9 Prozentpunkte steigert und die policy-induzierten kumulativen Kosten um 35,6 bzw. 23,8 Prozent senkt. Damit wird gezeigt, dass Laufzeitkorrekturen nicht nur temporäre Eingriffe, sondern auch Trainingssignal für künftiges Verhalten sein können.

VLA
Vollständige Studie lesen (PDF)

Themenseiten

Manipulation 6VLA 4World Action Models 5World-action model 3Aerial manipulation 3Dexterous manipulation 3Sim-to-Real Manipulation 3Social Navigation 3

Die Studien stammen aus den Robotik-Feeds von arXiv. Solange unsere Zusammenfassung fehlt, erscheinen die ersten Zeilen des Abstracts.