ICRA 2026 Highlights: Reinforcement Learning, komplexe Verhaltensgenerierung und die Zukunft der Robotik

Beim ICRA 2026 in Wien standen die Themen Reinforcement Learning, die Generierung komplexer Verhaltensszenarien und die Zukunft der Robotik im Mittelpunkt. Der Preis für das beste Konferenzpapier ging an SymSkill für dateneffiziente Langzeit-Manipulation und an OmniRetarget für die Ganzkörper-Loko-Manipulation humanoider Roboter. Im Bereich Robot Learning zeigte ein Papier über blickinvariantes Politiklernen mit Kamerakonditionierung („Do You Know Where Your Camera Is?“), dass VLA-Modelle erheblich an Leistung verlieren, wenn Kameras bewegt werden, und schlug vor, die Kamerapositionen über Plücker-Koordinaten pro Pixel zu kodieren, was die Leistung auch ohne Kamerarandomisierung verbessert. Im Bereich Roboterwahrnehmung präsentierte FindAnything ein Open-Vocabulary-Objektzentriertes Kartierungssystem, das mehrere Foundation-Modelle zur Erkundung nutzt. In den Workshops ermöglichte der World Engine von Huawei, NVIDIA Research und OpenDriveLab einem autonomen Fahrzeug, 200 km in Shanghai ohne Eingriff zu fahren, wobei der Code als Open Source veröffentlicht wurde. NVIDIA kündigte die AlpaSim-Herausforderung mit einem Datensatz aus 25 Ländern, 2500 Städten und 1700 Stunden Fahrzeit an. Weitere bemerkenswerte Arbeiten umfassen Residual Off-Policy RL zur Feinabstimmung von Behavior-Cloning-Politiken (Amazon Frontier AI & Robotics), FP3 (3D Foundation Policy mittels Uni3D-Encoder), Search3D (hierarchische Open-Vocabulary-3D-Segmentierung) und COMPASS (ein Framework für Mobilitätspolitiken über verschiedene Verkörperungen hinweg von NVIDIA Research). Im Bereich des autonomen Fahrens verbesserte der Diffusion-guided Generalizable Enhancer von Waabi AI die 3D-Rekonstruktion in der Nähe von Fahrspuren, Attention BEV verbesserte die BEV-Fusion mit Aufmerksamkeitsblöcken, TreeIRL kombinierte MCTS mit IRL für sicheres urbanes Fahren in Las Vegas, und ein System zur Annotation verzögerter und falscher AEB-Ereignisse adressierte extreme Klassenungleichgewichte und Labelrauschen. Ein weiteres Papier schlug vor, das Fahren durch Nachahmung umgebender Fahrzeuge zu lernen, wobei nuPlan-Szenen verwendet und die Trajektorien guter Agenten in die Ego-Perspektive transformiert wurden.