MEKAWIRE
Forschung

Studien

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

72 Studien
ThemaAlleManipulation 65VLA 43Navigation 24Learning 23Robotics 22Perception 20Humanoid 15Safety 9Simulation 9Locomotion 8World Action Models 4Aerial 2Aerial manipulation 2Dexterous manipulation 2Sim-to-Real Manipulation 2Social Navigation 2Vision-Language Navigation 2World models 2World-action model 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 1Continuum sensing 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 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 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 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
arXiv
MAV guidanceFortgeschritten

LiDARFlow: Echtzeit-Panel-Guidance für MAVs in unbekannten Umgebungen

João Machado, Zeynep Bilgin, Matthieu Verdoucq, Murat Bronz

Das Preprint LiDARFlow stellt ein vollständig onboard integriertes Führungssystem für Mikro-Luftfahrzeuge vor, das mit einem Livox MID-360 LiDAR Hindernisse erkennt und über die Panel-Methode PGFlow kollisionsfreie Geschwindigkeitskommandos erzeugt. In zwei realen Indoor-Flugszenarien, Wegpunktnavigation und Richtungsvorgabe, erreichte das Fahrzeug bei maximal 0,5 m/s alle Ziele und wich allen Hindernissen aus. Die Implementierung auf einem Raspberry Pi 5 zeigt die Machbarkeit einer leichtgewichtigen Echtzeitführung, auch wenn die Punktwolkenverarbeitung als Hauptlimitierung identifiziert wird.

LiDAR
Vollständige Studie lesen (PDF)
arXiv
Agricultural RoboticsFortgeschritten

ALFRED: Offener mobiler Manipulator für langfristiges Pflanzenmonitoring nach Anforderungsprofil entwickelt

Ciarán Miceal Johnson, Christopher Quail, Garry Ellard, Alistair McConnell, Steve Tonneau, Fernando Auat Cheein

Ein als Preprint veröffentlichtes Paper stellt ALFRED vor, einen offenen mobilen Manipulator aus kommerziell erhältlichen Komponenten für wiederholte Nahbereichserfassung von Pflanzen. Die nutzbare Armreichweite steigt über vier Builds von 34,0 % auf 66,1 %, und der Roboter absolvierte ein Jahr monatlicher Waldaufnahmen mit 528 Fahrten ohne eine ausgelassene Sammlung. Die veröffentlichten Konstruktionsdaten, Robotermodelle und Container sollen Nachbauten und vergleichende Reichweiten- und Sichtbarkeitsanalysen ermöglichen.

LiDAR
Vollständige Studie lesen (PDF)
arXiv
VLA ConditioningFortgeschritten

Kontinuierliche Konditionierung von VLA-Modellen mit EMG und visuellen Annotationen

Edward W. Staley, Connor O. Pyles, Rahul Hingorani, Frank Camargo, Griffin Milsap, Jared Markowitz, Matthew S. Fifer, Michael Wolmetz

In diesem Preprint werden zwei feinabgestimmte Vision-Language-Action-Modelle vorgestellt, die Aufgabeninformationen über kontinuierliche Signale statt über Sprache erhalten: EC-VLA nutzt 8-Kanal-EMG, VA-VLA visuelle Segmentierungsannotationen. Im Vergleich zu sprachbasierten Baselines verbessern sich die Erfolgsraten in unübersichtlichen Szenen von 0,30 auf 0,50 (EC-VLA) und von 0,11 auf 0,20 (VA-VLA). Die Ergebnisse deuten darauf hin, dass nicht-sprachliche Modalitäten für die Aufgabenkonditionierung von Roboterrichtlinien nützlich sein können.

VLA
Vollständige Studie lesen (PDF)
arXiv
Articulation EstimationFortgeschritten

QueryArt schätzt Gelenkparameter aus einem RGB-Bild und Abfragepunkt

Abdelrhman Werby, Fabio Scaparro, Kai O. Arra

Der Preprint stellt QueryArt vor, ein Modell, das aus einem einzelnen kalibrierten RGB-Bild, einem 2D-Abfragepunkt und Kameraintrinsik Gelenktyp, Bewegungsachse und Achsversatz schätzt. Auf vier gehaltenen Datensplits und zwei Out-of-Distribution-Datensätzen übertrifft es frühere Single-Image-Ansätze bei den meisten Artikulationsmetriken; in 57 realen Manipulationsversuchen auf einem mobilen Manipulator erreicht es eine Erfolgsquote von 70,2 %. Die tiefennormalisierte Formulierung macht die Schätzung skalenkonsistent und ohne vorherige Exploration für Roboterinteraktionen nutzbar.

Vollständige Studie lesen (PDF)
arXiv
VLA RobustnessFortgeschritten

Erfolgsrate allein genügt nicht: Verhaltensrobustheit von VLA-Modellen in Tabletop-Manipulation

Sophie Higham, Riccardo Andrea Izzo, Matteo Matteucci, Alessandro Suglia

Das Preprint schlägt ein benchmark-agnostisches Evaluierungsframework vor, das die Behavioural Robustness von Vision-Language-Action-Modellen über die Task Success Rate hinaus anhand von Trajektorienmetriken misst. Die Analyse auf LIBERO und LIBERO-Plus mit drei State-of-the-Art-Modellen zeigt, dass Eingabeperturbationen das Verhalten erfolgreicher Trajektorien erheblich verändern können, obwohl die TSR ähnlich bleibt. Das verdeutlicht, dass TSR allein die Auswirkungen von Störungen auf die Ausführungsqualität maskieren kann.

VLA
Vollständige Studie lesen (PDF)
arXiv
Multi-Robot ExplorationFortgeschritten

OpenSpace Lab: Budgetbewusste Exploration für IROS 2026 Indoor Exploration Competition

Yuxuan Zhang, Dong Li, Zezhou Sun, Yuxuan Xu, Siyu Teng, Yuchen Li, Jianjian Yang, Long Chen

In einem Preprint beschreibt OpenSpace Lab seine Lösung für den Indoor Exploration Competition auf der IROS 2026. Die Einzelroboterstrategie nutzt vortrainierte Kartenvervollständigung und eine an das Restbudget angepasste Zielauswahl, die Rückkehr zum Basislager einplant. Im öffentlichen Einzelroboter-Track erreichte das Team mit 61,04 % Abdeckung Platz 1, in den privaten Tracks jeweils Platz 3.

Vollständige Studie lesen (PDF)
arXiv
Endoscopic navigationFortgeschritten

ColoACT: RGB-D-E-Aktions-Chunking für glatte autonome Navigation eines selbstfahrenden Endoskopieroboters

Jian Hu, Shujing He, Leixin Chang, Zongze Li, Ding Huang, Chaoyang Shi, Chengzhi Hu

Das Paper stellt ColoACT vor, ein autonomes Navigationssystem für den kompakten selbstfahrenden Endoskopieroboter BGER. Es kombiniert RGB, relative Tiefe und eine gradientenbasierte Pseudo-Elevationskarte mit einer Action-Chunking-Transformer-Policy und Temporal Ensembling. In Ex-vivo-Schweinekolons erreicht das System Erfolgsraten von 85,4 % in geraden und 72,5 % in gekrümmten Abschnitten; die Arbeit ist ein Preprint auf arXiv und nicht begutachtet.

RL
Vollständige Studie lesen (PDF)
arXiv
Video world modelsFortgeschritten

PhysicsLENS: Diagnose von Blindheit gegenüber physikalischen Eigenschaften in Videogenerierungsmodellen

Isaiah Milkey, Som Sagar, Aditya Taparia, Xinyuan Liu, Jiqing Wen, Ransalu Senanayake

PhysicsLENS ist ein Preprint, der einen Benchmark und Datensatz vorstellt, um zu prüfen, ob generierte Robotervideos textuell vorgegebene, aus dem Startbild nicht erkennbare physikalische Eigenschaften umsetzen. Die Evaluation über 439 Clips von vier Videogenerierungsmodellen zeigt, dass 34 von 47 als plausibel bewerteten Clips die genannte Eigenschaft ignorieren. Damit wird klar, dass visuelle Plausibilität und physikalische Eigenschaftsbindung getrennt bewertet werden müssen, was für den Einsatz solcher Modelle als prädiktive Umgebungen im Roboterlernen zentral ist.

Weltmodelle
Vollständige Studie lesen (PDF)
arXiv
PlanningFortgeschritten

TierCEM: Prioritätsgesteuerte Constraint-Relaxation für die Cross-Entropy-Optimierung

Francisco Roldan Sanchez, Pau de las Heras Molins, David Fridovich-Keil, Georgios Bakirtzis

Das Preprint stellt TierCEM vor, eine Variante der Cross-Entropy-Methode, die eine strikte Prioritätsreihenfolge von Constraints direkt in die Elite-Auswahl integriert und ohne per-Constraint-Gewichte auskommt. In Simulationen mit 2D-Navigation und Push-T zeigt die Methode, dass sich beim Umkehren der Prioritätsreihenfolge gezielt die verletzte Constraint ändert und dass die Aufgabenpriorität Fortschritt erzwingen kann, wenn Constraints sonst zum Stillstand führen. Damit adressiert sie das Problem, dass gewichtete Strafformulierungen höher priorisierte Verletzungen durch niedrigere kompensieren können.

Vollständige Studie lesen (PDF)
arXiv
World-action modelFortgeschritten

SkeleWAM: Sparse 3D-Skelette als Zustandsraum für Weltaktionsmodelle in der Robotermanipulation

Juyi Sheng, Hua Wang, Mengyuan Liu

SkeleWAM ist ein Preprint, das ein kompaktes Weltaktionsmodell vorstellt, bei dem eine Manipulationsszene als spärliches 3D-Skelett aus Roboter-Gelenken, Objektzentren und Interaktionspunkten repräsentiert wird. Das Modell lernt gemeinsam Aktionsgenerierung und Vorhersage künftiger Skelette und erreicht auf LIBERO-Plus eine Gesamterfolgsrate von 85,9 Prozent mit 57,1 Millionen Parametern, 3,7 Prozentpunkte über Cosmos-Policy. Die Ergebnisse zeigen, dass explizite Roboter-Objekt-Geometrie einen robusten und parametereffizienten Weg für Weltaktionslernen darstellt.

Vollständige Studie lesen (PDF)
arXiv
GraspingFortgeschritten

Kontinuierliches Lernen für 6-DoF-Greifsynthese durch Erfahrung und Demonstrationen

Giulio Schiavi, Andrei Cramariuc, Michael Pantic, Roland Siegwart

Der Preprint stellt ein kontinuierlich lernendes Framework für die 6-DoF-Greifsynthese mit Parallelbackengreifer in unstrukturierten Szenen vor. Das System nutzt einen speicherbasierten Bewerter in einem gelernten Embedding-Raum sowie die Rückgewinnung von Nutzerdemonstrationen, um sich während des Einsatzes aus Greifergebnissen anzupassen; die Netzwerkgewichte bleiben unverändert. In Simulation und über 1500 realen Greifversuchen erreicht die Methode nach nur 50 Online-Versuchen auf mehreren schwierigen Objektkategorien Erfolgsquoten über 90 % und übertrifft nach Anpassung alle evaluierten Baselines.

Vollständige Studie lesen (PDF)
arXiv
Multi-UAV ExplorationFortgeschritten

Zentralisierte Multi-UAV-Exploration nutzt bestehende Single-UAV-Planner und gemeinsame TSDF-Karte

João Félix Mendes, Meysam Basiri, Rodrigo Ventura

Die Autoren stellen ein zentrales Multi-UAV-Framework vor, das etablierte Single-UAV-Sampling-Planner wie RH-NBVP, KRH-NBVP, AEP und KAEP ohne Änderung der Kernlogik in einem Team aus drei Drohnen einsetzt. In Simulationen mit einer angepassten voxblox-Karte und Kollisionsvermeidung erreicht die Separated-Start-Konfiguration konsistent schnellere Exploration und höhere Abdeckung als der Joint Start. Das Preprint zeigt damit, dass die initiale Deployment-Strategie großen Einfluss auf die Leistung hat und liefert ein quelloffenes Framework.

Vollständige Studie lesen (PDF)
arXiv
Multi-camera odometryFortgeschritten

StreamRig: Streaming-Odometrie für kalibrierte Mehrkamera-Rigs mit eingefrorenem 3D-Foundation-Modell

Yufei Wei, Shuhao Ye, Qi Wang, Xin Zheng, Qing Huang, Rong Xiong, Yue Wang

Das Preprint stellt StreamRig vor, ein Framework, das ein eingefrorenes Multi-View-3D-Foundation-Modell (MapAnything) für kausale Streaming-Odometrie kalibrierter Mehrkamera-Rigs nutzt. Trainiert werden nur drei kompakte Module (Rig-Resampler, CausalBridge, Pose-Kopf) mit 74,6 Millionen Parametern und relativer Posen-Supervision. Auf vier Rigs (NCLT, TartanGround, KITTI-360, ZJH) erzielt StreamRig unter den nicht-orakelhaften Methoden den niedrigsten Translations- und Rotationsdrift und verarbeitet ein Fünf-Kamera-Rig mit 26,2 ms Latenz und 2,6 GiB Speicher, schneller und sparsamer als monokulares CUT3R.

Vollständige Studie lesen (PDF)
arXiv
Co-speech HumanoidFortgeschritten

ECHO-G: Vollkörper-Co-Speech-Bewegungsgenerierung für humanoide Roboter aus Audiospur und zeitlich zugeordnetem Transkript

Yizhao Li, Pusen Gao, Ming Wang, Shaojie Shen, Shuo Yang, Hao Xu

ECHO-G ist ein als Preprint veröffentlichtes Framework zur Vollkörper-Co-Speech-Bewegungsgenerierung für humanoide Roboter. Es kombiniert frame-genaue akustische Merkmale mit token-basiertem Transkriptkontext in einem Diffusion-Transformer und erzeugt direkt Bewegungsreferenzen im Roboterkoordinatenraum. Auf einem aus BEAT2 abgeleiteten G1-Datensatz erreicht der Ansatz die besten Co-Speech-Kennzahlen und die niedrigste Inferenzzeit pro Frame; in einem Nutzerstudium mit 45 Personen wird die gemeinsame Audio-Text-Konditionierung bevorzugt.

Vollständige Studie lesen (PDF)
arXiv
Manipulation SafetyFortgeschritten

Fünf Ellipsoide für mehr Sicherheit: Laufzeitfilter schützt VLA-Policies vor bewegten Hindernissen

Yatharth Agarwal, Vijay Raghunathan

Das Preprint stellt einen trainingsfreien Laufzeit-Sicherheitsfilter für vortrainierte Vision-Language-Action-Policies (VLA) vor, der Greifer, Handgelenk und Unterarm mit fünf Ellipsoiden absichert und ein aus RGB-D gefittetes Hindernisellipsoid per spärlichem optischem Fluss verfolgt. In sechs simulierten Bewegungsbedingungen senkt der Filter die Kollisionsrate von 65,62 % auf 27,27 % und hebt die sichere Aufgabenerfüllung von 29,35 % auf 50,43 %. Die Edge-Messungen zeigen Barrierelatenzen von 2,2 ms im 99. Perzentil und einen von 343 ms auf 177,3 ms verkürzten Policy-Aufruf; auf einem physischen SO-101-Arm reduziert der Filter Kontakte von 11 auf 3 von 16 Episoden.

VLA
Vollständige Studie lesen (PDF)
arXiv
Social navigationFortgeschritten

STARS: Selbstüberwachte spatiotemporale Graphrepräsentationen für soziale Navigation

Nathan Tsoi, Michael J. Munje, Tejas Oberoi, Rishab Maheshwari, Pengen Zheng, Tanush Chauhan, Peter Stone, Joydeep Biswas

STARS ist ein Preprint der University of Texas at Austin, das multimodale Interaktionsszenarien in spatiotemporale Graphen überführt und mit einem selbstüberwachten Graph-Autoencoder komprimiert. Auf den Benchmarks SEAN Together und SocialNav-SUB erzielen die eingefrorenen Repräsentationen mit linearen Sonden konkurrenzfähige Ergebnisse und sind besonders dateneffizient: Bei der Fußgängeraktionsklassifikation erreicht STARS-He mit 1 Prozent der Labels einen Makro-F1 von 0,362 gegenüber 0,294 beim MLP und 0,308 beim Autoencoder. Die Arbeit zeigt, dass relationale Strukturpräferenzen die Knappheit von HRI-Daten teilweise ausgleichen können.

Vollständige Studie lesen (PDF)
arXiv
3D AssemblyFortgeschritten

AssemblyWorld: Interaktive 3D-Montage als Testfeld für allgemeine Agenten

Jiahao Zhang, Yeying Fan, Moitreya Chatterjee, Suhas Lohit, Bernhard Egger, Tim K. Marks, Anoop Cherian, Stephen Gould

In einem Preprint stellen Forschende AssemblyWorld vor, eine interaktive 3D-Umgebung, in der vortrainierte Agenten starre Bauteile über gerenderte Ansichten und Werkzeugaufrufe montieren. Auf dem zugehörigen AssemblyWorldBench mit 100 Aufgaben aus vier Datensätzen erreicht das stärkste System Astra 80,9 Prozent Teilegenauigkeit, aber nur 59,4 Prozent komplette Montageerfolge. Die Ergebnisse zeigen eine deutliche Lücke zwischen grober Strukturerfassung und präziser Rekonstruktion.

Vollständige Studie lesen (PDF)
arXiv
UAV traffic monitoringFortgeschritten

Vorhersage statt Erkennung: Drohnengestützte Stauprognose verbessert adaptive Ampelsteuerung

Samira Hayat, Christian Raffelsberger

Das Paper ist ein Preprint, der eine Multiagenten-Simulation vorstellt, in der Drohnen Verkehrsstaus an Knotenpunkten erkennen und vorhersagen, um adaptive Ampelschaltungen auszulösen. Zentrale Ergebnisse sind, dass die Leistung ab einer Drohnenzahl etwa gleich der Knotenanzahl abflacht und dass eine vorausschauende Signaladaption die Staudauer ungefähr doppelt so stark reduziert wie eine reaktive Erkennung. Die Vorhersagegenauigkeit bleibt jedoch bei maximal 55 Prozent begrenzt, was auf Verbesserungsbedarf bei den Vorläufersignalen hinweist.

Vollständige Studie lesen (PDF)
arXiv
Memory-centric VLAFortgeschritten

Optimus-R: Memory-centric Framework für Vision-Language-Action-Modelle

Zaijing Li, Rui Shao, Bing Hu, Haoyu Zhang, Dongmei Jiang, Liqiang Nie

Das Preprint stellt Optimus-R vor, ein memory-centric Framework zur Adaption von Vision-Language-Action-Modellen (VLA). Es führt eine Inline Memory Interface, eine Query-Skill Memory Bank und einen Bridge-and-Adapt-Mechanismus ein, um Roboterfähigkeiten als explizite Speichereinträge zu lernen und wiederzuverwenden. In Experimenten auf LIBERO, CALVIN und RoboTwin 2.0 verbessert Optimus-R die Dateneffizienz deutlich und erreicht im Cross-Domain-Transfer mit 20 Demonstrationen pro Aufgabe 33,3 % Erfolgsrate auf einem echten Roboter, 13,9 Prozentpunkte über der Baseline.

VLA
Vollständige Studie lesen (PDF)
arXiv
Temporal manipulationFortgeschritten

PhasePlan: Geordnete Zukunftsphasen-Planung für Robot Brain Models reduziert Gelenkfehler um 22,5 Prozent

Xiaoyu Yang, Yafei Zhang, Wensheng Li, Qing Zhan, Nan Wu

Das Paper stellt PhasePlan vor, einen Preprint, der für Robot-Brain-Modelle eine geordnete Zukunftsphasen-Planung in Aktions-Chunks integriert. Auf einem Förderband-Manipulationstask reduziert PhasePlan den Offline-Gelenkaktionsfehler gegenüber dem ursprünglichen π0.5-Modell um rund 22,5 Prozent und verbessert die Übergangsmodellierung. Der Ansatz zeigt, dass positionsgenaue Phasenrepräsentationen die zeitliche Abstimmung bei kontinuierlicher Aktionsgenerierung verbessern.

Vollständige Studie lesen (PDF)

Themenseiten

Manipulation 6VLA 4World Action Models 5Aerial 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.