MEKAWIRE
Forschung

Studien

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

276 Studien
ThemaAlleManipulation 27VLA 22Perception 12Robotics 11Navigation 10Humanoid 9Learning 8Safety 5World Action Models 4Simulation 3Aerial 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 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 1Locomotion 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 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
Contact-rich ManipulationFortgeschritten

RATE: Risikobewusste taktile Repräsentation für kontaktintensive Manipulation

Yuyao Jiang, Haichao Liu, Jiarui Zheng, Zihan Ding, Weihao Yuan, Ziwei Wang

RATE ist ein Preprint und stellt eine risikobewusste taktile Repräsentationslernmethode für kontaktintensive Robotermanipulation vor. In acht simulierten UniVTAC-Aufgaben erreicht RATE eine durchschnittliche Erfolgsrate von 71,8 Prozent und übertrifft damit sowohl gleich große Baselines als auch große visuomotorische Modelle mit 3,3 bis 5 Milliarden Parametern; auf drei realen Aufgaben erzielt RATE die höchste Erfolgsrate und den höchsten kontakt-sicheren Erfolgsanteil. Der Ansatz zeigt, dass gezielte Risikomodellierung ohne große Modellgrößen deutliche Verbesserungen bei Montage- und Steckaufgaben ermöglicht.

Taktile Sensorik
Vollständige Studie lesen (PDF)
arXiv
Distribution ShiftExperten

Self-Repairing Recurrent Ensembles: Echtzeit-Erholung von Verteilungsshift ohne Expertenaufsicht

Julian Lemmel, Pedro D. Wendel Garcia, Taisuke Kobayashi, Radu Grosu

Dieser Preprint stellt ein rekurrentes Ensemble vor, das sich nach Verteilungsshift durch Sensorstörungen ohne externe Labels selbst repariert. Jedes Mitglied sieht eine zufällig maskierte Teilmenge der Beobachtungen, und die Gaußschen Ausgaben werden per Kalman-Gain zu einer Konsensaktion fusioniert, die als selbstüberwachtes Label für das Online-Feintuning mit RFLO dient. In simulierten Locomotion-Aufgaben erholt sich das Verfahren nach Sensorverschiebung nahezu auf das ursprüngliche Niveau, während Ensembles mit voller Beobachtung nicht wiederherstellen.

Vollständige Studie lesen (PDF)
arXiv
World Action ModelsExperten

XGenAct: Geometrieerweitertes Weltaktionsmodell erzeugt Wahrnehmungsströme und Roboteraktionen gemeinsam

Tingting Du, Ziyao Wang, Guoheng Sun, Ang Li

Der Preprint stellt XGenAct vor, ein Weltaktionsmodell, das RGB, metrische Tiefe, Oberflächennormalen, funktionale Rollensegmentierung und Roboteraktionen als Videos kodiert und mit einem einzigen Diffusion-Transformer trainiert. Auf fünf nicht im Training enthaltenen RLBench-Aufgaben erreicht XGenAct im Durchschnitt 52 % Closed-Loop-Erfolg, während die stärksten evaluierten Baselines 26 % erreichen. Die strukturierte Geometrie- und Semantikgenerierung verbessert die Aktionsvorhersage ohne modalspezifische Köpfe oder Zusatzverluste.

Vollständige Studie lesen (PDF)
arXiv
VLAExperten

FastOPD: On-Policy-Destillation für leichtgewichtige VLA-Bereitstellung

Yoojin Oh, Jeongsol Kim, Yeonwoo Seo, Jangho Park, Seonghyun Jin, Sunwoo Park, Youngmin Kim, Youngjun Jun, Kyumin Choi, Jong Chul Ye

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.

VLA
Foundation
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
Safety monitoringExperten

SLLCP kalibriert VLM-Sicherheitsmonitore für autonomes Fahren lokal und label-konditional

Luís Marques, Rong Fang, Disha Kamale, Dmitry Berenson

In einem Preprint stellen die Autoren Split Label-Localized Conformal Prediction (SLLCP) vor, eine nachträgliche Kalibrierungsschicht für eingefrorene Vision-Language-Models zur Sicherheitsüberwachung geplanter Fahrtrajektorien. Auf 15.321 ungesehenen CARLA-Frames erkennt SLLCP 89,6 % der kollisionsverursachenden Trajektorien mit Qwen3-VL-8B-Instruct und 88,4 % mit Cosmos-Reason2-8B, während die rohen VLM-Regeln nur 4,6 % und 39,1 % erreichen. Die Methode liefert endliche label-konditionale Abdeckungsgarantien und reduziert verpasste unsichere Trajektorien deutlich, allerdings bei höheren Fehlalarmraten.

Vollständige Studie lesen (PDF)
arXiv
VLA evaluationFortgeschritten

ManiPhysicsBench: Physikbasierte Bewertung der Objektschonung bei VLA-Manipulation

Sangwu Park, Yeonjun In, Wonjoong Kim, Sungwon Kim, Sein Kim, Chanyoung Park

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.

VLA
Vollständige Studie lesen (PDF)
arXiv
Representation alignmentExperten

Relational Sufficiency als Stoppbedingung für Repräsentationsangleichung bei Embodied Agents

Fulvio Mastrogiovanni

In einem Preprint formalisieren Forschende der Universität Genua, wann heterogene Repräsentationen verkörperter Agenten für eine Interaktion ausreichen, statt global angeglichen zu werden. Der zentrale Befund: Verbleibende Mehrdeutigkeit muss nur entlang der Freiheitsgrade aufgelöst werden, die das Interaktionsergebnis verändern können; im analysierten Hand-off-Szenario genügen für relative Synchronisation 0 zusätzliche Anker, für absolutes Timing genau 1 Skalaranker. Damit liefert das Papier eine aufgabenabhängige Abbruchbedingung für Alignment, die Rechen- und Kommunikationsaufwand reduzieren könnte.

Vollständige Studie lesen (PDF)
arXiv
Monocular SSCExperten

CrowdOcc: Monokulare semantische Szenenvervollständigung für Quadruped-Roboter in belebten Innenräumen

Feiyang Chen, Jincheng Hu, Yiduo Chen, Jihao Li, Yue Liang, Bingzhao Gao, Yanjun Huang, Yuanjian Zhang

Die Autoren stellen CrowdOcc vor, einen RGB-D-Datensatz und ein Framework für monokulare semantische Szenenvervollständigung auf Quadruped-Robotern in belebten Innenräumen. Das System erreicht auf einem szenen-disjunkten Testsatz einen IoU von 15,80 und einen Human IoU von 46,23 und übertrifft damit die stärkste Baseline um 1,31 IoU-Punkte. Der Preprint zeigt, dass die Kombination aus normalengeführter Geometriefusion und human-zentrierter Interaktion die Generalisierung auf ungesehene Innenraumszenen verbessert.

Vollständige Studie lesen (PDF)
arXiv
Byzantine localizationExperten

Wer ging wann wohin auf der Mondoberfläche: forensische Trajektorienanalyse identifiziert byzantinische Rover

Lachlan Holden, Feras Dayoub, Melissa de Zwart, David Harvey, Tat-Jun Chin

Das Paper (Preprint) stellt ein Verfahren zur nachträglichen Rekonstruktion von Rover-Trajektorien auf Planetenoberflächen vor, das speziell byzantinische, also absichtlich falsch messende Rover identifiziert. Statt einzelne Messungen als Ausreißer zu verwerfen, bewertet die Methode ganze Rover-Teilmengen anhand der statistischen Konsistenz ihrer relativen Detektionen. In Simulationen und einem planetar-analogen Datensatz identifiziert sie nicht-glaubwürdige Rover und übertrifft robuste Pose-Graph-Optimierung (GNC, PCM) deutlich.

Vollständige Studie lesen (PDF)
arXiv
TraversabilityFortgeschritten

Sprachinitialisierte Prototypen für Traversability: Präferenzlernen mit wenigen Annotationen

Simon Schwaiger, David Seyser, Alessandro Scherl, Zlatan Ajanović, Wilfried Wöber, Gerald Steinbauer-Wagner

Dieser Preprint stellt einen Traversability-Schätzer vor, der Geländepräferenzen als von-Mises-Fisher-Prototypen in einem eingefrorenen Vision-Language-Feature-Raum abbildet. Das Verfahren initialisiert die Prototypen mit sprachbasierten Regeln und passt sie anschließend mit wenigen relativen Bildannotationen an. Auf dem WayFAST-Datensatz erreicht der feinabgestimmte Schätzer eine Genauigkeit, die mit dem bisherigen Stand der Technik konkurriert, und verbessert die Dateneffizienz bei kleinen Trainingsmengen.

Vollständige Studie lesen (PDF)
arXiv
PersonNavExperten

CSIR kombiniert Semantik und Distanz für effiziente Personensuche

Tyler Chung, Nahl Farhan, Hao Zhang, Mingfeng Yuan, Jinjun Shan, Amy Wu, Yue Hu

Das Preprint beschreibt CSIR, ein Planungsframework für Person Goal Navigation, bei dem ein Roboter eine Person in Innenräumen anhand natürlichsprachlicher Hinweise mit Unsicherheit finden soll. In einer Simulation mit 1.500 Szenarien erreicht CSIR eine durchschnittliche Reiseeffizienz von 0,62 und übertrifft damit klassische distanzbasierte Graphen-Baselines sowie rein semantische Planer. Eine Hardware-Demonstration auf einem Clearpath Jackal zeigt die grundsätzliche Einsetzbarkeit in einer realen Universitätsumgebung.

Vollständige Studie lesen (PDF)
arXiv
Runtime VerificationExperten

Mind the Refinement Gap: RoboGuard übersieht unsichere Ausführungsrouten

Stabak Das, Priyesh Ranjan, Xiangfang Li, Lijun Qian

Der Preprint untersucht, ob Sicherheitsurteile von RoboGuard über High-Level-Aktionsspuren gültig bleiben, wenn graph-induzierte Navigation und implizite Aktionseffekte explizit gemacht werden. In 28 kontrollierten Fällen akzeptierte RoboGuard alle 12 gezielten Abstraktionsfälle, obwohl die verfeinerte Spur einen verbotenen Bereich durchquerte, während alle 16 Kontrollen korrekt waren. Die Ergebnisse zeigen, dass eine deterministische Spurverfeinerung aus dem semantischen Graphen nötig ist, um false-safe Sicherheitsurteile zu vermeiden.

Vollständige Studie lesen (PDF)
arXiv
World modelsFortgeschritten

DeltaWorld: Physisch konsistenter interaktiver Weltsimulator mit aktionsbedingten latenten Inkrementen

Boyuan Hou, Xiaoge Cao, Chaofan Zhang, Shuo Wang, Shaowei Cui

DeltaWorld ist ein Preprint, das einen interaktiven Weltsimulator für Robotermanipulation beschreibt. Das Modell sagt aktionsbedingte Veränderungen im latenten Raum vorher statt vollständige nächste Zustände, wodurch langhorizontale Vorhersagen stabiler werden. Auf dem selbst gesammelten Cross-Robot-Datensatz reduziert es FVD um 46,6 % und LPIPS um 31,1 % gegenüber der IWS-Baseline.

Weltmodelle
Vollständige Studie lesen (PDF)
arXiv
Miniature LocomotionExperten

MiNI-Q: Ein Onboard-Policy vereint aufrechtes, invertiertes Laufen und Landungsrecovery

Arturo Flores Alvarez, Nathan Lintu, Dennis Hong

Der Preprint beschreibt eine einzige gelernte Policy für den 270 g schweren Quadruped MiNI-Q, die vollständig auf den eingebauten Mikrocontrollern läuft. Derselbe Controller erreicht aufrechtes Gehen mit einer Vorwärtsgeschwindigkeits-RMSE von 0,037 m/s und invertiertes Gehen mit 0,050 m/s bei einem Sollwert von 0,15 m/s. In 24 von 30 Freilassversuchen nimmt er das Laufen wieder auf und ist damit nach Angabe der Autoren die erste Onboard-Policy unter einem Kilogramm, die Aufrechtlauf, Invertiertlauf und Landungsrecovery in einem Netz vereint.

Vollständige Studie lesen (PDF)
arXiv
Adaptive MPCFortgeschritten

LLA-MPC auf Embedded-Hardware: schnelle adaptive Regelung mit Tausenden parallelen Modellen

Henry Z. Liao, Maitham F. AL-Sunni, John M. Dolan

In einem Preprint stellen die Autoren eine verallgemeinerte Implementierung von LLA-MPC vor, die auf der F1TENTH-Plattform mit reibungsarmen Reifen läuft. Das lernfreie Verfahren identifiziert Reifenparameter online, indem es Tausende Kandidatenmodelle in Echtzeit auf einem eingebetteten Computer auswertet. In Experimenten meistert LLA-MPC schnelle Tracking-Aufgaben, bei denen ein festes Nominalmodell scheitert, und passt sich wechselnden Untergründen an.

Vollständige Studie lesen (PDF)
arXiv
Humanoid RLFortgeschritten

Jenseits von Reward Hacking: Proxy-Divergenz in vier Ebenen einer gestuften Humanoid-Lernpipeline

Arunabh Bora

Das Paper ist ein Preprint und entwickelt einen formalen Rahmen, der neben dem Reward auch Curriculum-Gates, Evaluationsstatistiken und Referenzbewegungen als Proxys analysiert. Die Autoren zeigen an einer simulierten, 1,91 m großen Humanoid-Policy, die über vier Stufen und 13.500 Iterationen mit PPO auf einer Laptop-GPU trainiert wurde, dass etwa ein über gemittelten Fehler getriggertes Gate bei jeder Prüfung vorrückte, obwohl die geprüfte Fähigkeit fehlte, und dass ein synchronisierter Pushtest einen 0,5-m/s-Stoß als gefährlicher einstufte als einen 2,0-m/s-Stoß. Für jede Ebene werden konkrete Reformulierungen vorgeschlagen, die ohne zusätzliches Training auskommen.

Humanoid
Vollständige Studie lesen (PDF)
arXiv
Visuomotor FusionFortgeschritten

Register-Routed Delayed Fusion: Registervermittelte Fusionsarchitektur verringert Shortcut-Anfälligkeit in visuomotorischen Policies

Jieting Long, Weidong Cai, Weiming Zhi

Das Preprint stellt Register-Routed Delayed Fusion (RRDF) vor, eine Fusionsarchitektur für visuomotorische Imitationsrichtlinien, die direkte Aufmerksamkeit zwischen kompakten und visuellen Tokens blockiert und über einen gelernten Register-Workspace verzögert zusammenführt. In fünf Simulationsaufgaben und drei realen Roboteraufgaben erreicht RRDF mindestens die nominale Leistung von dichtem ACT und verbessert die Erfolgsraten unter Verteilungsverschiebungen deutlich, etwa bei gehaltenen Objektpositionen. Der Ansatz reduziert messbar die Empfindlichkeit gegenüber Propriozeption relativ zum Bild, ohne die kompakte Konditionierung für den Aktionsgenerator zu entfernen.

Vollständige Studie lesen (PDF)
arXiv
Panoramic segmentationExperten

EmbPASS: Benchmark und EPONet für offene Panoramasegmentierung über vier Plattformen

Pujun Guo, Yuanfan Zheng, Fei Teng, Mengfei Duan, Guoqiang Zhao, Yuheng Zhang, Kai Luo, Kailun Yang

Die Autoren stellen den Preprint EmbPASS vor, einen Benchmark mit 1.000 annotierten Panoramabildern von Fahrzeug-, Drohnen-, Wearable- und Quadruped-Plattformen. Das vorgeschlagene EPONet mit den Modulen RAMA und CAST erreicht darauf eine plattformbalancierte mIoU von 35,82 Prozent und übertrifft die stärkste Baseline OOOPS mit RERP um 1,10 Prozentpunkte. Der Ansatz wird ausschließlich auf Pinhole-Bildern aus COCOStuff-164k trainiert und segmentiert ungesehene Panoramaplattformen ohne Zielannotationen.

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.