ROBOTNESS
Forschung

Studien

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

3 Studien
ThemaAlleManipulation 18VLA 15Navigation 14Perception 9Robotics 9Learning 6Humanoid 5Safety 3Simulation 3Aerial Manipulation 1Co-speech Humanoid 1Distributed Manipulation 1Floorplan SLAM 1Grounding 1Humanoid control 1Locomotion 1Memory-centric VLA 1Model-based RL 1Multi-UAV State Estimation 1Policy 1Real-time VLA 1Safe RL-MPC 1Safe VLA 1Soft Pneumatic Actuators 1Tactile 1Terrain traversability 1Text-to-3D Policy 1Tool Co-Design 1UAV Navigation 1UAV traffic monitoring 1Visual Grounding 1World models 1World-action model 1
NiveauAlleEinstiegFortgeschrittenExperten
Noch nicht auf Deutsch verfügbar: Anzeige im englischen Original.
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
SafetyExperten

Belief-Aware Multi-Agent Path Finding under Map Uncertainty

Viraj Parimi, Shao-Hung Chan, Han Zhang, Jingkai Chen, Brian Williams

Multi-Agent Path Finding (MAPF) aims to find collision-free paths for multiple agents in a shared environment. Classical MAPF assumes that all static obstacles are known in advance, but real-world environments can change unexpectedly due to fallen objects, spills, or other local disturbances.

Vollständige Studie lesen (PDF)
arXiv
SafetyExperten

ExceptionDrive: A Planning-Oriented Counterfactual Corner-Case Benchmark for Autonomous Driving

Ziyi Luo, Zhe Sun, Yehao Lu, Lei Zhou, Lisheng Wu, Xuewei Li, Zequn Qin, Xi Li

Average performance on routine driving benchmarks does not establish planner reliability under rare, safety-critical hazards. We proposed ExceptionDrive, a counterfactual planning benchmark that uses VLM-assisted screening, localized multi-view editing, and quality auditing to insert hazards into real nuScenes scenes while preserving their context.

Vollständige Studie lesen (PDF)

Die Studien stammen aus den Robotik-Feeds von arXiv. Solange unsere Zusammenfassung fehlt, erscheinen die ersten Zeilen des Abstracts.