Neue Studien zu Robotik und Physical AI, jeweils mit ihrer Bedeutung für die Branche.
Reliable real-time failure detection is critical for deploying learned robotic policies, yet defining failures explicitly is infeasible in open-world settings. This motivates failure detection from nominal demonstrations alone.
Scaling robot manipulation policies requires large amounts of diverse, action-labeled data, yet collecting such data in the real world remains expensive and difficult to scale. Existing methods either depend on human teleoperation, rely on simulation with limited visual realism, or use human videos that lack embodiment-specific annotations.
Automating biological laboratories requires robots to perform dexterous tool interactions under realistic visual conditions while handling dynamic experimental phenomena, presenting significant challenges for robotic manipulation. To enable systematic evaluation under these conditions, we introduce AutoBio+, a simulation benchmark and framework for dexterous manipulation in realistic biological laboratory environments.
World-action models (WAMs) predict a robot's actions together with the observations those actions will produce. However, the strongest models rely on video diffusion transformers that are far too computationally expensive for resource-constrained edge devices.
Existing real-world reinforcement learning methods improve robot policies by combining human corrections with autonomous rollouts. However, accumulated experience varies in its value for policy improvement, and even successful trajectories can contain inefficient or redundant behavior, motivating more selective experience reuse.
This paper presents a dual-quadrotor hook- suspended transport system for cooperative aerial manipulation of a payload that is not rigidly attached to a fixed point along the cable. Two quadrotors are connected by a single inextensible cable that passes through a frictionless hook mounted on the payload, allowing the cable to slide between its two segments.
The NIST Assembly Task Board #1 remains a challenging benchmark for learning-based methods in robotic manipulation. Over short horizons, it demands precise, contact-rich control of small, tight-fitting parts.
Autoregressive robot policies rely on action tokenizers to convert continuous action chunks into compact sequences of discrete prediction targets. Existing tokenizers can reconstruct action chunks from discrete codes, but often leave implicit what each individual token contributes to the reconstructed action.
Collecting dexterous manipulation demonstrations for each robot hand requires repeated task-specific data acquisition. We ask whether one shared corpus of natural human demonstrations can instead serve as a reusable data interface for different dexterous hands, without collecting task demonstrations on each target robot.
Action-conditioned world models offer a promising foundation for generalist robotic intelligence by predicting the consequences of actions. However, existing robotic datasets provide limited coverage of the diverse interaction dynamics required for generalizable world modeling.
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.
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.
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.
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.
PEWAM is a preprint describing a 71.5M-parameter world-action model that compiles robot demonstrations into editable “effect programs”—3D object keypoint trajectories, grasp contact points, and final scene configuration—rather than actor-specific motions. On held-out LIBERO-Goal tasks, one program from a single demonstration completes 40 of 90 episodes, while the same backbone under goal-image or language conditioning and prior demonstration-conditioned methods complete at most 19. This matters because turning demonstrations into coordinate-based programs enables editing and cross-robot-arm reuse, a potential route to more flexible robot programming.
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 Dream4ACT vor, ein Video-Aktions-Weltmodell, das Ziel-Gelenkkonfigurationen als feste Multiview-Aktionsbilder (Action Views) repräsentiert und damit mehrere Roboterembodiments über eine gemeinsame Schnittstelle trainiert. In Simulation erreicht das Modell durchschnittlich 88,98 % Erfolg auf RoboTwin 2.0 und einen TriWorldBench-Score von 65,66; auf vier realen Plattformen liegt der mittlere Erfolg bei gemeinsamen Aufgaben zwischen 85,0 % und 90,0 %. Die trainierungsfreie Rückgewinnung ausführbarer Gelenkziele über URDF-Optimierung macht die Aktionsdarstellung direkt für Steuerung nutzbar, ohne gelernte roboterspezifische Decoder.
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.
World-Action Models (WAMs) couple visual dynamics with action prediction, bringing the rich priors of pretrained video models to robotic manipulation. However, their multi-view interfaces typically tile images or concatenate tokens, leaving the geometric relationships among synchronized cameras implicit.
Robot policies are frequently trained from human corrections, yet teleoperating a robot to provide corrections is burdensome, and human demonstrators are not always optimal. We propose Blended DAgger (BlenDAgger), an approach for collecting data to train imitation learning policies by using shared control to blend the policy's and demonstrator's actions during interventions.
Die Studien stammen aus den Robotik-Feeds von arXiv. Solange unsere Zusammenfassung fehlt, erscheinen die ersten Zeilen des Abstracts.