MEKAWIRE
Forschung

Studien

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

408 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
Belief-space planningExperten

Informed BLT* für unsicherheitsbewusste Pfadplanung auf digitalen Zwillingen

Elliot Preston-Krebs, Abhishek Goudar, Timothy D. Barfoot

Die Autoren stellen Informed BLT* vor, einen samplingbasierten Belief-Space-Planer, der RRT* und Informed RRT* auf isotrope Gauß-Verteilungen überträgt und die Wasserstein-2-Metrik (W2) als Pfadkosten nutzt. In 16 simulierten und photogrammetrisch rekonstruierten Umgebungen mit Punktwolkenlokalisierung findet der Ansatz meist schneller erste Lösungen als B-RRT, B-SST und RRBT und erreicht nach 100 s konkurrenzfähige Kosten. Der als Preprint veröffentlichte Planer skaliert auf große Outdoor-Karten, in denen Lokalisierungsunsicherheit die Pfadwahl bestimmt.

Vollständige Studie lesen (PDF)
arXiv
5G SimulationExperten

Isaac-Net simuliert 5G-Uplink für eine Million Roboter auf einer GPU im Gleichtakt mit Isaac Lab

Zifan Zhang, Mingzhe Han, Kannan Athreya, Yuchen Liu

Das Preprint stellt Isaac-Net vor, ein GPU-gebatchtes 5G-New-Radio-Modul, das in Isaac Lab Tausende parallele Umgebungen im Gleichtakt mit der Physik simuliert. Die NR-Engine reproduziert die mediane Uplink-Verzögerung von ns-3 5G-LENA über Laststufen ohne gefitteten Parameter und hält im validierten Maßstab 1.048.576 Roboter auf einer GPU bei 1,24 Steuerzyklen pro Sekunde, gegenüber 1,50 ohne Netzwerk. Damit wird erstmals ein paketnahes 5G-Modell in massiv paralleles Roboterlernen integriert.

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
Visual GroundingExperten

GroundAnything: Reconciling Parallel Decoding with Precise Visual Grounding at Flash Speed

Qize Yu, Lianrui Fan, Bowen Ping, Xini Ding, Zetian Song, Junbo Niu, Kaixuan Wang, Tianxing Chen, Yue Chen, Minghua He, Yuran Wang, Jie Huang, Haojun Zhang, Min Chen, Hao Li, Wenxuan Song, Ruihai Wu, Xianming Liu, Shilong Liu, Shuchang Zhou

Preprint. The authors introduce GroundAnything, a 4B-parameter visual grounding model that uses bidirectional diffusion with blockwise denoising for parallel spatial decoding instead of sequential autoregressive token generation. Its autoregressive variant, GroundAnything-VLM, reports 72.42% across 30 grounding benchmarks, ahead of GPT-6 Astra at 71.35%. This matters for latency-sensitive robotics and interactive vision systems that need fast, precise localization.

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
Tool Co-DesignExperten

Tool-Policy-Co-Design für präzises Pulverwiegen in der Laborautomatisierung

Nikola Radulov, Xin Yang, Kevin S. Luck, Gabriella Pizzuto

Das Preprint stellt ein Tool-Policy-Co-Design vor, das Werkzeuggeometrie und Reinforcement-Learning-Politik für die Pulverdosierung gemeinsam optimiert. In Simulation und auf einem Franka-Roboter erreicht das co-designte Werkzeug 45 Prozent weniger Wägefehler als ein Standardwerkzeug, auch bei ungesehenen Materialien. Eine neue Ähnlichkeitsmetrik warmstartet das Politiklernen aus ähnlichen Kandidaten und erhöht die Zahl explorierter Konfigurationen um 28 Prozent.

Vollständige Studie lesen (PDF)
arXiv
LiDAR SecurityExperten

TACTIC: Szenenabhängige taktische Planung für LiDAR-Angriffe mit multimodalen LLMs

Yiming Gao, Shaocheng Luo

Das als Preprint veröffentlichte System TACTIC kombiniert eine lokale Wahrnehmung mit einem multimodalen LLM, um physische LiDAR-Angriffe auf autonome Fahrzeuge an den aktuellen Verkehrskontext anzupassen. In 280 randomisierten CARLA-Versuchen erreicht die vollständige Policy eine Kollisionsrate von 100 %, gegenüber 35 % bei einer festen Regel und 60 % bei zufälliger Auswahl. Damit zeigt die Arbeit, dass szenenabhängige taktische Planung kontextsensitive LiDAR-Fehlermodi aufdecken kann, die statische Angriffsbewertungen übersehen.

LiDAR
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
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
Sonar SLAMExperten

BatSLAM 2.0: Robuste sonarbasierte SLAM-Kartierung mit sequenzverifizierter Ortserkennung

Jan Steckel

In einem Preprint stellen die Autoren BatSLAM 2.0 vor, ein sonarbasiertes SLAM-System, das eine biomimetische akustische Front-End-Verarbeitung mit sequenzverifizierter Ortserkennung und einem faktor-graphbasierten Pose-Graph kombiniert. In 12 simulierten Läufen mit kalibrierter oder annähernd kalibrierter Odometrie erzeugte das System konsistente Karten ohne falsche Schleifenschließungen und erreichte nach Ausrichtung 0,18 bis 0,53 m Trajektorienfehler; in einer realen Aufnahme sank der Fehler von 3,62 m auf 0,67 m. Damit zeigt der Ansatz, dass robuste sonarbasierte Kartierung auch ohne Kamera oder Lidar möglich ist.

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
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)
arXiv
Skill DiscoveryExperten

Game-Guided Skill Discovery: Selbstspiel erzeugt direkt vom Menschen steuerbare Roboterfähigkeiten

Seungeun Rho, Jeonghwan Kim, Xue Bin Peng, Sehoon Ha

GGSD ist ein Framework, das durch Selbstspiel in einfachen 1-gegen-1-Spielen motorische Fähigkeiten entdeckt, die Menschen direkt über wenige diskrete Eingaben steuern können. Nach dem Training ersetzt ein Mensch die High-Level-Politik und löst mit fünf beziehungsweise sechs gelernten Skills ungesehene Aufgaben wie Labyrinthe und Objektmanipulation ohne weiteres Training; in der Nutzerstudie liegen die Erfolgsraten bei 84 bis 100 Prozent. Der Preprint zeigt, dass Spielregeln als leichte Führung dienen können, um semantisch unterscheidbare und interpretierbare Skills auch für hochdimensionale Roboter zu erzeugen.

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)
arXiv
SafetyExperten

NEUPRO lernt interpretierbare Sicherheitsregeln aus Bildern für Robotersteuerung

Zihan Ye, Jiayi Liu, Puze Liu, Jiayun Li, Georgia Chalvatzaki, Jan Peters, Kristian Kersting

Der vorliegende Preprint stellt NEUPRO vor, ein neuro-symbolisches Framework, das Sicherheitsanforderungen als symbolische Regeln formuliert und mit differenzierbarem Reasoning aus Bildern grounded. Auf dem neu veröffentlichten realen Robotik-Datensatz REASON erreicht NEUPRO über alle Aufgaben eine Sicherheitsklassifikationsgenauigkeit von 0,92 ± 0,02 und liegt damit deutlich über VLM-Baselines. Der Ansatz liefert explizite Erklärungen für Sicherheitsverletzungen und ist durch graphbasiertes Reasoning 9,1-mal schneller im Training als eine tensorbasierte Variante.

Vollständige Studie lesen (PDF)
arXiv
Tactile ExplorationExperten

TacEx: Taktile Neugier als gerichtetes Explorationssignal für Robotermanipulation

Klemens Iten, Alexander Proshkin, Bhavya Sukhija, Stelian Coros, Andreas Krause, Pieter Abbeel, Carmelo Sferrazza

Das Paper stellt TacEx vor, ein Framework, das taktile Unsicherheit als Explorationssignal für Reinforcement Learning nutzt. In Simulationen lernt ein Roboter ohne Aufgabenbelohnungen Greifverhalten, und die gesammelten kontaktintensiven Daten verbessern offline trainierte Pick-and-Place-Policies sowie das Post-Training von Vision-Language-Action-Modellen. Die Arbeit ist ein Preprint und nicht begutachtet.

RL
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.