Neue Studien zu Robotik und Physical AI, jeweils mit ihrer Bedeutung für die Branche.
Actions specify what a robot should execute, but do not describe what those commands will achieve. Vision-language-action (VLA) policies nevertheless learn primarily by predicting action chunks from images, language, and state.
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.
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.
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.
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 Preprint beschreibt FastOPD, ein Framework, das große Vision-Language-Action-Modelle per On-Policy-Destillation in kompakte Studenten mit wenigen Inferenzschritten überführt. Es kombiniert eine einzelne On-Policy-Lehrerüberwachung mit Selbstkonsistenz und erreicht auf LIBERO mit zwei Schritten 81,8 % Erfolgsrate, was 84 % der Leistung von π0.5 entspricht, bei 78,1 % geringerer Latenz. Das Verfahren senkt Trainings- und Inferenzkosten deutlich und wurde auch real auf einem Roboter demonstriert.
Das Preprint stellt ManiPhysicsBench vor, ein Benchmark, das mit der Objektbibliothek ManiPhysicsZoo und einer löserbasierten Schadensbewertung prüft, ob VLA-Modelle Objekte beim Manipulieren erhalten. Öffentliche VLA-Checkpoints erreichen im Mittel nur 13,5 % Safe Success bei 48,3 % Task Success auf SimplerEnv; auf LIBERO liegen die Werte bei 1,9 % und 12,3 %. Damit zeigen gängige Modelle Aufgaben erfolgreich, greifen aber empfindliche Objekte oft mit Kräften, die Schäden verursachen würden.
Das Paper stellt MixVLA vor, ein als Preprint veröffentlichtes, modellagnostisches Trainingsverfahren für Vision-Language-Action-Modelle. Es zerlegt latente Repräsentationen in invariante und nicht-invariante Anteile und regularisiert letztere durch adaptives Mischen, statt sie zu verwerfen. In Simulationen verbessert MixVLA die Zero-Shot-Erfolgsraten auf LIBERO-Plus um 6,6 Prozentpunkte gegenüber OpenVLA-OFT und auf RoboTwin 2.0 um 16,4 Prozentpunkte bei der Generalisierung auf randomisierte Umgebungen; im realen Versuch steigt die Erfolgsrate von 20 % auf 60 %.
SARI ist ein als Preprint veröffentlichter Ansatz, der kontaktintensive Manipulationsaufgaben in eine Annäherungs- und eine Kontaktphase zerlegt: Simulation liefert raumdeckende Annäherungsbahnen, reale Teleoperation nur wenige Kontaktinteraktionen. Auf fünf realen Aufgaben mit einem Franka-Roboter erreicht SARI bei ungesehenen Objektplatzierungen auf der Lamp-Aufgabe 27,5 % Erfolg, während alle Volltask-Baselines 0 % erreichen, und reduziert die reale Datenerfassungszeit um 34,3 %.
MobiAgent ist ein als Preprint veröffentlichter Dual-Loop-Agentenframework für langhorizontige mobile Manipulation. Der Inner Loop kombiniert einen VLM-basierten Task Planner, einen Skill Executor mit gemeinsamen VLM-Backbone und getrennten Flow-Matching-Experten sowie einen Reflection Critic zur Verifikation und globalen Replanung; der Outer Loop segmentiert und verifiziert Rollouts automatisch, clustert atomare Skills und trainiert die Skill-Bibliothek kontinuierlich ohne manuelle Annotation. Auf BEHAVIOR-1K erreicht MobiAgent eine mittlere Erfolgsrate von 65,0 % und übertrifft die aufgabenspezifische Baseline π0.5-TA um 22,5 Prozentpunkte; auf dem realen Astribot S1 steigt die Erfolgsrate durch Datenrecycling von 32,5 % auf 57,5 %.
Der Preprint stellt eine Abwehr für Vision-Language-Action-Modelle vor, bei der ein Sparse Autoencoder ein mit Adversarial Patches korreliertes internes Feature identifiziert und eine lineare Sonde Angriffe erkennt. Die Methode unterdrückt das Feature nur bei erkannter Attacke und verbessert auf LIBERO-10 die Erfolgsrate unter intermittierenden UADA-Angriffen, etwa bei π0.5 von 26,0 % auf 32,4 % bei n=10. Die Ergebnisse zeigen, dass gezielte Eingriffe in interne Repräsentationen die Robustheit erhöhen können, ohne das VLA-Modell feinzutunen.
Der Preprint stellt DuoMind vor, ein verteiltes hierarchisches Framework, bei dem jede Robotereinheit einen VLM-Orchestrator mit einem VLA-Aktionsmodell kombiniert und strukturierte natürliche Sprache mit anderen Robotern austauscht. In Simulationen auf dem neuen RoboPoly-Benchmark und auf RoboTwin übertrifft DuoMind die Baselines in den meisten Aufgaben, etwa mit 78,00 % gegenüber 52,25 % bei Hang Bag. Der Ansatz zeigt, wie vortrainierte Modelle ohne Neuentwurf für kooperative Manipulation genutzt werden können.
Das Preprint ChunkVLA-AM stellt eine reproduzierbare Deployment-Pipeline vor, die OpenVLA-OFT mit LoRA auf einen FAIRINO FR3 in einer festen Additive-Manufacturing-Arbeitszelle adaptiert und Acht-Schritt-Aktions-Chunks vorhersagt. In 42 physischen A-zu-B-Transferversuchen wurden 39 erfolgreich abgeschlossen, was einer Erfolgsquote von 92,9 Prozent entspricht; die drei Fehlschläge ereigneten sich beim finalen Ablegen wegen unzureichender Höhenkontrolle. Die begleitende Beleuchtungsanalyse weist einen Niedrigfehlerbereich von 85 bis 125 Luminanz aus und zeigt, dass der Ansatz für wechselnde Lichtverhältnisse in AM-Zellen robuster gemacht werden kann.
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.
UniWAM ist ein Preprint, der einen einheitlichen Ansatz aus physikalischem Reasoner, Weltgenerator und Aktionsprädiktor vorstellt. Das Modell erreicht in LIBERO 99,2 %, in LIBERO-Plus 92,6 % und in RoboTwin 2.0 Clean2Random 68,32 % und übertrifft damit die angeführten Baselines in der OOD-Robustheit. Die Autoren berichten zudem ein logarithmisch-lineares Skalierungsgesetz für gemeinsames Training auf menschlichen und Roboter-Daten.
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.
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.
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.
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.
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.
Die Studien stammen aus den Robotik-Feeds von arXiv. Solange unsere Zusammenfassung fehlt, erscheinen die ersten Zeilen des Abstracts.