MEKAWIRE
Forschung

Studien

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

6 Studien
ThemaAlleManipulation 70VLA 57Navigation 30Robotics 29Learning 24Perception 22Humanoid 16Simulation 14Locomotion 11Safety 9World 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 Robotik-Basismodelle, zurücksetzen
arXiv
Cross-embodiment transfer of humanoid whole-body controllersExperten

TRACE: Effizienter Transfer von Ganzkörper-Reglern zwischen Humanoiden

Qingyu Lan, Zhihao Tian, Zifan Wang, Junwei LiangThe Hong Kong University of Science and Technology (Guangzhou); The Hong Kong University of Science and Technology

Ein Team der HKUST berichtet in einem Preprint, dass es den für den 1,32 m großen Unitree G1 trainierten Ganzkörper-Regler SONIC in rund acht Stunden auf einer einzigen GPU auf den 1,82 m großen Unitree H2 übertragen hat; SONIC selbst kostete etwa 21.000 GPU-Stunden. Bestätigt sich das auf weiteren Plattformen, müssten Humanoid-Hersteller ihre Bewegungsregler nicht mehr für jede Generation neu trainieren.

RLSim-to-Real-TransferTeleoperationRobotik-Basismodelle
HumanoidFoundationUnitree RoboticsNVIDIA
Vollständige Studie lesen (PDF)
arXiv
Continual reinforcement learning on top of robot foundation modelsExperten

ACCRUE: Kontinuierliches Off-Policy-Verstärkungslernen für Robotik-Basismodelle

Changyeon Kim, Kimin Lee, Yashraj Narang, Yijie GuoNVIDIA; KAIST

Forscher von NVIDIA und dem KAIST beschreiben in einem Preprint, wie ein von einem Basismodell gesteuerter Roboter neue Montageaufgaben nacheinander lernt, ohne alte zu vergessen, indem er ein kleines Verstärkungslern-Modul von Aufgabe zu Aufgabe mitnimmt. Am realen Arm sank die Roboterzeit bis zur Beherrschung jeder neuen Fügeaufgabe um 31,0 bis 68,5 %, frühere Aufgaben gelangen weiterhin in durchschnittlich 19,4 von 20 Versuchen.

Robotik-BasismodelleRLVLAWeltmodelle
FoundationNVIDIAPhysical Intelligence
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
Humanoid whole-body controlExperten

CrossBFM: Ein gemeinsamer latenter Verhaltensraum für unterschiedliche Humanoide per Destillation

Tan-Dzung Do, Tuan Dat Phuong, Nico Bohlinger, Cuc T. Trinh, Siwei Ju, Vien Anh Ngo, Jan Peters, Xinchao Wang, An T. LeVinRobotics, National University of Singapore, TU Darmstadt, VinUniversity, DFKI, Hessian AI

Ein Ganzkörper-Steuerungsmodell, mit dem ein Humanoide auf einen einzigen Prompt hin einen Tanz nachahmt, eine Pose einnimmt oder einer Belohnung folgt, kostet je Roboter normalerweise mehr als 100 GPU-Stunden Training. Dieser Preprint von VinRobotics, der National University of Singapore und der TU Darmstadt überträgt das für Unitrees G1 trainierte Modell auf Booster T1, Fourier N1 und einen hauseigenen Roboter namens M3, mit weniger als einer Stunde für einen gemeinsamen Encoder und weniger als zehn GPU-Stunden je Roboter, bei fast gleicher Tracking-Genauigkeit wie ein spezialisierter Regler.

Robotik-BasismodelleRLSim-to-Real-Transfer
Unitree RoboticsBooster RoboticsFourier
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.