MEKAWIRE
Forschung

Studien

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

5 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
Noch nicht auf Deutsch verfügbar: Anzeige im englischen Original.
arXiv
ManipulationFortgeschritten

Bridging Frontier Reasoning and Robot Execution: From Autonomous Demonstration Generation to Dense Language Supervision

Bosung Kim, Alexander Trevithick, Ruiyi Wang, Prithviraj Ammanabrolu

Preprint. The authors present two ways to connect slow frontier reasoning models to fast local robot policies: autonomous generation of corrective demonstrations for training, and dense language supervision at multiple granularities. They report that autonomous demonstration generation becomes more reliable and cheaper as successful examples accumulate, and that a deployment harness lets the frontier model guide the local policy. This matters because it could enable powerful but high-latency models to drive real-time robot manipulation.

Vollständige Studie lesen (PDF)
arXiv
ManipulationFortgeschritten

AdaTempo lernt gemeinsames relatives Tempo aus Demonstrationen für schnellere Roboter-Manipulation

Jiale Cao, Yike Niu, Zhengrong Xue, Huazhe Xu

AdaTempo ist ein selbstüberwachtes Verfahren, das aus Teleoperationsdemonstrationen phasenabhängige Geschwindigkeitsprofile ableitet und die Trainingsdaten offline neu abtastet, um Standardpolitiken wie ACT oder Diffusion Policy zu beschleunigen. In Simulation und Praxis erreicht es bis zu 3,57-fache Beschleunigung bei einer höheren Erfolgsrate als die Baselines, darunter DemoSpeedup und SAIL. Das Preprint zeigt, dass gemeinsames relatives Timing in Demonstrationen als direktes Signal für schnellere Manipulationspolitiken dienen kann, ohne Laufzeitmodule oder Online-Retiming.

Imitationslernen
Vollständige Studie lesen (PDF)
arXiv
ManipulationFortgeschritten

PAM: Proprioceptive Sketches als Langzeit-Intent für generative Aktionspolitiken

Fangyuan Wang, Songhao Huang, Haoxiang Sun, Shipeng Lyu, Chengyang He, Anqing Duan, Peng Zhou, David Navarro-Alarcon

In diesem Preprint stellen die Autoren Proprioceptive Action Models (PAM) vor, die in einem einzigen Transformer-Denoiser eine kompakte, timingfreie Skizze des verbleibenden Roboterpfads und einen kurzen Aktionsblock gemeinsam erzeugen. PAM verbessert die Erfolgsrate bei vier realen bimanuellen Aufgaben von 47,5 % auf 75,0 % und übertrifft Diffusion Policy sowie B-spline Policy. Der Ansatz zeigt, dass eine explizite, geometrische Langzeit-Repräsentation ohne Zeitbezug die Aktionsvorhersage robuster macht.

Vollständige Studie lesen (PDF)
arXiv
ManipulationFortgeschritten

RoboCoach: Weltmodelle als aktive Coaches für kompositionale Roboterfähigkeiten

Jiajun Liu, Yifan Chen, Yichao Liu, Jiayi Zhang, Ruoqu Chen, Shaoxuan Xie, Guocai Yao, Mengdi Xu, Sen Cui, Changshui Zhang

RoboCoach ist ein Preprint und beschreibt ein Framework, das mit dem aktionskonditionierten Weltmodell CoachWorld imaginierte Fehlschläge in langfristigen Manipulationsaufgaben lokalisiert und daraus gezielte Demonstrationsanfragen sowie LoRA-Updates für die zuständigen Skill-Experten ableitet. In Simulation und auf zwei echten Roboterplattformen steigt die Erfolgsrate mit 150 zusätzlichen Teilaufgaben-Demonstrationen von 13,3 % auf 75,0 % beim Franka und von 40,0 % auf 83,8 % beim AgileX, während eine gleichmäßige Datenerfassung mit gemeinsamem Adapter nur 30,0 % bzw. 47,5 % erreicht. Die Arbeit zeigt, dass Weltmodelle nicht nur simulieren, sondern als aktive Coaches entscheiden können, welche wiederverwendbare Fähigkeit als Nächstes gelernt werden soll.

Weltmodelle
Vollständige Studie lesen (PDF)
arXiv
ManipulationFortgeschritten

Encore: Wenige Demonstrationen als Suchprior für agentisch erzeugte Manipulationsstrategien

Yifan Kang, Zihan Wang, Zhiwen Fan, Bangya Liu

Encore ist ein in einem arXiv-Preprint beschriebenes Framework, das teleoperierte Demonstrationen in eine abfragbare Beweisstruktur destilliert und einen Coding-Agenten daraus iterativ ein eingefrorenes Roboterprogramm entwickeln lässt. Über 60 LIBERO-PRO-Perturbationszellen mit je 50 versiegelten Episoden erreicht das Programm mit drei Demonstrationen 96,3 % Erfolg, ohne Demonstrationen 94,9 %; auf einem realen bimanualen Roboter erzielen zwei Aufgaben jeweils 9 von 10 menschlich bewerteten Versuchen. Der Ansatz zählt, weil er den Nutzen weniger Demonstrationen für die agentische Programmsuche quantifiziert und das eingefrorene Programm ohne Sprachmodell zur Laufzeit auskommt.

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.