Neue Studien zu Robotik und Physical AI, jeweils mit ihrer Bedeutung für die Branche.
Translating language into humanoid motion requires coordinating body parts, determining motion duration, and producing references suitable for robot execution. We introduce PartiGen, a part-aware latent diffusion framework that incorporates anatomical structure into a shared whole-body motion representation.
End-to-end planning in complex scenes must model diverse driving intentions and select the most appropriate trajectory using scene context and future risks. However, multi-query regression may collapse to one mode, while anchor-based and generative planners share a scaling bottleneck: small candidate sets limit maneuver coverage or discovery of high-quality trajectories, whereas large sets increase generation and scoring costs.
Robot policies often convert sensing and control into fixed-rate observation-action sequences, leaving physical time implicit in sequence position. This assumption breaks when observation rates or delays vary, or when inference latency changes.
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.
Nearly every autonomous or semi-autonomous flipper controller assumes access to an elevation map of the terrain under and in front of the robot. The terrain beneath the chassis is occluded in the sensors, so the map is remembered through odometry integration, whose drift corrupts it.
Autonomous landing of unmanned aerial vehicle (UAV) on unmanned surface vehicle (USV) is difficult in high sea states. Existing hierarchical landing methods often infer future USV motion only implicitly from short observation histories, which limits their ability to adapt to severe and rapidly changing sea conditions.
Humanoid tennis requires reactive whole-body coordination under rapidly changing ball dynamics, yet collecting task-specific motion-capture demonstrations that cover diverse approach states, contact locations, and timing conditions is costly. Inspired by how humans acquire new skills by combining reusable motor experience with task-specific demonstrations, we present ATHLETE, a framework for learning reactive humanoid tennis from generic locomotion data and ordinary tennis videos.
Generating edge case scenarios is crucial for training, testing and safety assuring autonomous systems. This identifies hazardous failures to increase system reliability and robustness, ensures the system can still function safely on the boundaries of its operational design domain and learns the expected system behaviour for these edge cases.
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.
World Action Models (WAMs) inherit powerful priors from pretrained video generation models, but their variational autoencoder (VAE) representations are optimized for visual reconstruction rather than manipulation. External visual representations can improve manipulation, but existing methods couple representation choices with different integration mechanisms, obscuring their individual effects.
SafeStreamingFlow ist ein in diesem Preprint vorgestellter, start- und zielkonditionierter Planer, der einen gelernten Zustandsvektorfeld in physikalischer Zeit integriert und dadurch jeden Sampling-Schritt direkt mit einem Ausführungsschritt koppelt. In vier Simulationsumgebungen senkt das Verfahren die Planungslatenz und erreicht bei wettbewerbsfähiger Zielerreichung eine deutlich geringere Verletzungsrate als trajektorienweite sichere generative Planer. Der Ansatz zeigt, wie formale Sicherheitsfilter aus diskreten HOCBFs in Echtzeit auf den ausgeführten Schritt angewendet werden können, ohne die für Diffusions- und Flow-Matching-Planer typischen O(HK)-Optimierungsprobleme zu erzeugen.
Das Preprint stellt eine neue Formulierung von Empowerment als Trajektorienziel innerhalb von sampling-basiertem MPC vor. Die Autoren vereinen Explorations- und Steuerungsverteilung in einer einzigen Verteilung und benötigen nur Ableitungen erster Ordnung. In Simulationen auf Pendel- und Cart-Pole-Aufgaben verbessert die Kombination von Empowerment mit spärlichen Aufgabenkosten die Erfolgsraten deutlich gegenüber einzelnen Zielen.
NAVA-WAM ist ein Preprint eines Weltaktionsmodells, das eine Aktionspolitik ohne Aktionslabels direkt aus Beobachtungsvideos vortrainiert. In Simulation erreicht es auf LIBERO 99,0 Prozent und auf LIBERO-Plus 83,5 Prozent Erfolg, auf RoboTwin 2.0 Clean 88,5 und Random 73,6 Prozent; in realen Versuchen kommt es auf 93,3 Prozent gegenüber 66,7 Prozent für DreamZero und 53,3 Prozent für π0.5. Die Arbeit zeigt, dass native Action-Prior-Pretraining Aktionslabel-Kosten senken und die Generalisierung von Weltaktionsmodellen verbessern kann.
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.
Das Paper stellt mit DR-IPC eine Methode vor, die A*-Pfadreferenzen, weiche Safe-Flight-Corridor-Strafen, nichtlineare Quadrotordynamik und rekonstruierte Störungen in einem einzigen NMPC-Backend vereint. In Gazebo steigert DR-IPC die Zahl abgeschlossener Multi-Goal-Missionen unter Störungen von 1/10 auf 9/10 und reduziert in Experimenten den Höhen-RMSE von 0,34 m auf 0,01 m. Der Ansatz läuft laut Preprint vollständig onboard mit 100 Hz.
Das Paper stellt RoboBridge vor, ein selbstlernendes Agenten-Framework, das in Simulation entwickelte prozedurale Fertigkeiten auf reale Roboteraufgaben überträgt und dort durch Ausführungsfeedback weiterentwickelt. Es integriert eine vortrainierte Vision-Language-Action-Policy als wiederverwendbares Aktionswerkzeug und ergänzt sie um eine belohnungsgeführte Inferenzzeit-Korrektur, ohne die Policy neu zu trainieren. Im LIBERO-PRO-Benchmark erreicht das Framework 74,4 % Gesamterfolg gegenüber 72,1 % der stärksten berichteten Baseline und verbessert bei drei realen Manipulationsaufgaben die Erfolgszahlen von 4/15, 2/15 und 3/15 auf 9/15, 7/15 und 7/15 beim direkten Transfer beziehungsweise 15/15, 14/15 und 15/15 nach zehn realen Anpassungsepisoden. Der Artikel ist ein arXiv-Preprint und nicht als begutachtet einzuordnen.
Das Paper beschreibt UniIntervene++, einen als Preprint veröffentlichten adaptiven Interventionsagenten, der während des Online-Reinforcement-Learning zwischen autonomer Roboterpolitik, Trajektorienkorrektur und einer task-strukturierten CodePolicy wählt. In fünf realen Manipulationsaufgaben erreicht das Verfahren eine mittlere Erfolgsrate von 89,67 Prozent und reduziert die menschliche Interventionsquote auf 0,77 Prozent. Damit übertrifft es die beste Baseline um 6 Prozentpunkte bei mindestens 94,6 Prozent weniger menschlichen Eingriffen.
SceneFactory-3D ist ein Preprint, der einen GPU-gebatchten, physikbasierten Multiagenten-Fahrsimulator vorstellt. Er erweitert SceneFactory um radindividuelle Reifenkräfte, 3D-Höhenfelder und isolierte Parallelwelten und erlaubt kontrafaktische Vergleiche, bei denen nur die Straßenphysik variiert. In einer Studie mit 1.024 gematchten Welten und 21 Bedingungen sinkt die sichere Durchfahrt bei Reibwert 0,18 je nach Controller um 6 bis 90 Prozentpunkte, was die Sicherheitsbewertung unter widrigen Bedingungen deutlich verändert.
Das als Preprint veröffentlichte Framework OmniAct3D passt perspektivisch trainierte VFM-basierte 3D-Detektoren an Einzelbilder in Equirectangular Projection (ERP) an. Es erreicht auf Spheriverse einen NDS von 0,1825 und damit 2,96 Punkte mehr als der bisher beste Detektor, auf PanoMMOcc einen mAP von 0,5897 und damit 24,87 Punkte mehr als die nicht angepasste VFM-Baseline. Die Ergebnisse zeigen, dass sich das evidenzbasierte Objekt-Reasoning über unterschiedliche Sensorik-Konfigurationen hinweg übertragen lässt.
Der Preprint stellt HexVIO vor, ein Stereo-inertiales Odometriesystem, dessen visuelles Frontend auf den Hexagon-DSP eines unveränderten Samsung Galaxy S23 ausgelagert wird. Gegenüber der CPU-Baseline erreicht es bei gleicher Genauigkeit eine Reduktion der Gesamtleistungsaufnahme um 67 % oder eine Steigerung des Durchsatzes um 86 % und hält 30 fps Tracking mit 0,83 W durch, was etwa 18 Stunden auf dem Testgerät entspricht. Die Arbeit zeigt, dass bereits vorhandene Commodity-DSPs in Smartphones und XR-Geräten energieeffizientes visuell-inertiales Tracking für Robotik und mobile Geräte ermöglichen.
Die Studien stammen aus den Robotik-Feeds von arXiv. Solange unsere Zusammenfassung fehlt, erscheinen die ersten Zeilen des Abstracts.