INNOVATION SCOUT · IMPULSPROFIL

Physical AI und adaptive Baurobotik

Physical AI verbindet gelernte Wahrnehmungs-, Planungs- oder Bewegungsfunktionen mit Robotern und Maschinen. Sensordaten beeinflussen dabei physische Bauaufgaben und deren laufende Anpassung.

Um was geht es bei Physical AI und adaptive Baurobotik?

Wahrnehmung allein bewegt noch kein Bauteil. Physical AI verknüpft beobachtete Zustände mit der Auswahl und Ausführung physischer Aktionen: Ein Bagger passt seine Bewegung an Materialkontakt an, ein Montagearm korrigiert das Einfügen, ein Inspektionsroboter bewältigt vorgegebene Wege. Die Systeme kombinieren gelernte Modelle häufig mit klassischer Regelung und festen Ablaufregeln. Entscheidend ist, welche Abweichungen sie tatsächlich beherrschen, wann Menschen eingreifen und ob ein Ergebnis aus Simulation, Labor, Feldversuch oder Betrieb stammt. Der Impuls erläutert diesen Methodenkern; spezialisierte Bauroboter, autonome Baumaschinen, Exoskelette und serielle Bauweisen werden in eigenen Profilen vertieft.

Quelle 1: Towards Learning Boulder Excavation with Hydraulic Excavators, Fundstelle(n): III-C/D Quelle 2: Large Scale Robotic Material Handling: Learning, Planning, and Control, Fundstelle(n): III-E/F · III-E/F; IV-D Tabelle 4 · III Quelle 14: Act or ask: Interactive construction robots via vision–language models with confidence-guided decision deferral, Fundstelle(n): 3.3–3.4 Quelle 5: Contact-Rich Robotic Manipulation in Construction via Zero-Shot Learning: A Diffusion Policy-Guided Adaptive Control, Fundstelle(n): 4.2.1–4.2.3; 5.2 · 4.2 Quelle 6: ANYmal inspection solution capabilities, Fundstelle(n): Extreme mobility; Navigating large facilities; Intelligent data gathering · Navigating large facilities

Einordnung im Impulsradar

Gelernte Robotikfunktionen erreichen reale Bau- und Betriebsaufgaben, ihre Reichweite bleibt jedoch auf konkrete Einsatzräume begrenzt. Feldversuche zeigen adaptive Materialhandhabung, Laborarbeiten kontaktabhängige Montage und sprachgestützte Kooperation. Benannte Marktanwendungen bestehen bei mobiler Inspektion. Einrichtung, menschliche Eingriffe, Fehlerbehebung und Nacharbeit gehören zur Leistungsbewertung; erfolgreiche Einzelbewegungen belegen weder sichere Gesamtprozesse noch wirtschaftliche Überlegenheit.

Quelle 1: Towards Learning Boulder Excavation with Hydraulic Excavators, Fundstelle(n): IV-B, Tabelle V; IV-E Quelle 2: Large Scale Robotic Material Handling: Learning, Planning, and Control, Fundstelle(n): III-E/F; IV-D Tabelle 4 Quelle 5: Contact-Rich Robotic Manipulation in Construction via Zero-Shot Learning: A Diffusion Policy-Guided Adaptive Control, Fundstelle(n): 4.2.1–4.2.3; 5.2 Quelle 14: Act or ask: Interactive construction robots via vision–language models with confidence-guided decision deferral, Fundstelle(n): 3.3–3.4; 4.3.1–4.3.3 Quelle 7: How Vigier (Vicat Group) protects uptime, removes technicians from hazardous zones, and recovers shutdown costs, Fundstelle(n): From paper rounds; Finding #1; Finding #3

Gelernte Teilfunktionen, begrenzte Autonomie

Der technische Kern ist eine geschlossene Wahrnehmungs- und Handlungskette. Ein gelerntes Modell verarbeitet beispielsweise Bild-, Entfernungs- oder Kraftsignale und beeinflusst die nächste Bewegung. Fest programmierte Abläufe, geometrische Planung und klassische Regler können daneben bestehen bleiben. Entscheidend ist nicht das Etikett des Roboters, sondern welche Abweichung er ohne neues Programm bewältigt und an welcher Stelle eine Person übernehmen muss.

Quelle 1: Towards Learning Boulder Excavation with Hydraulic Excavators, Fundstelle(n): III-C/D · III-A–D Quelle 2: Large Scale Robotic Material Handling: Learning, Planning, and Control, Fundstelle(n): III-E/F · III-E/F; IV-D Tabelle 4 Quelle 14: Act or ask: Interactive construction robots via vision–language models with confidence-guided decision deferral, Fundstelle(n): 3.3–3.4 Quelle 6: ANYmal inspection solution capabilities, Fundstelle(n): Extreme mobility; Navigating large facilities; Intelligent data gathering

Die Einsatzbilder unterscheiden sich deutlich. Schwere Maschinen erproben gelernte Materialhandhabung im Feld; Montagearbeiten untersuchen Kontakt und Einfügetoleranzen im kontrollierten Aufbau. Mobile Inspektion ist in benannten Anlagenbetrieb eingebunden. Aus diesen Fällen ergibt sich keine gleichmäßig hohe Autonomie über ein ganzes Gewerk: Einrichtung, Zielklärung, Fehlerbehebung und fachliche Bewertung sind eigenständige Leistungen.

Quelle 1: Towards Learning Boulder Excavation with Hydraulic Excavators, Fundstelle(n): IV-B, Tabelle V; IV-E Quelle 2: Large Scale Robotic Material Handling: Learning, Planning, and Control, Fundstelle(n): III-E/F; IV-D Tabelle 4 Quelle 5: Contact-Rich Robotic Manipulation in Construction via Zero-Shot Learning: A Diffusion Policy-Guided Adaptive Control, Fundstelle(n): 4.2.1–4.2.3; 5.2 Quelle 7: How Vigier (Vicat Group) protects uptime, removes technicians from hazardous zones, and recovers shutdown costs, Fundstelle(n): From paper rounds; Finding #1; Finding #3 Quelle 8: ANYmal deployed at Northern Lights CCS Facility, Fundstelle(n): The Solution; The Deployment; The Future

Einführung und Nutzenbewertung benötigen deshalb einen definierten Arbeitsauftrag und eine vollständige Aufwandsbilanz. Die FIEC-Position fordert fachliche Verantwortung und sektorale Erprobung; die RICS-Branchenbefragung zeigt zugleich die Schwierigkeiten vergleichbarer Produktivitätsmessung. Beide liefern Einführungskontext, aber keinen Wirksamkeitsnachweis einer bestimmten lernenden Roboterfunktion. Belastbare Aussagen zur Leistung müssen am konkreten Prozess entstehen.

Quelle 10: Artificial Intelligence in the European Construction Sector: Strategic Adoption, Responsible Use, and Sectoral Leadership, Fundstelle(n): S.1–2 Quelle 11: RICS Construction Productivity Report 2026 – Productivity in Construction, Fundstelle(n): Productivity in Construction; Key findings; Definitions Quelle 4: Learning Diffusion Policies for Robotic Manipulation of Timber Joinery under Fabrication Uncertainty, Fundstelle(n): 2.1 Quelle 2: Large Scale Robotic Material Handling: Learning, Planning, and Control, Fundstelle(n): III-F Quelle 14: Act or ask: Interactive construction robots via vision–language models with confidence-guided decision deferral, Fundstelle(n): 4.3 Quelle 8: ANYmal deployed at Northern Lights CCS Facility, Fundstelle(n): The Deployment

Worauf es bei Physical AI und adaptive Baurobotik fachlich ankommt

Sensorfeedback statt starrer Bewegungsfolge

Studien-/Praxisbefund

Ein ETH-Versuch koppelt bildbasierte Zielsegmentierung und LiDAR mit einer in Simulation gelernten Bewegungsstrategie auf einem 12-Tonnen-Bagger. In 40 Realversuchen zur Steinaufnahme erreicht sie 70 % Erfolg; der Vergleichsfahrer erreicht gerundet 83 %. Die Zielsegmentierung wird von Menschen initialisiert. Verdeckte Objekte und Abweichungen des Boden- beziehungsweise Maschinenmodells gehören zu den berichteten Fehlerursachen.

Quelle 1: Towards Learning Boulder Excavation with Hydraulic Excavators, Fundstelle(n): III-A–D · IV-B, Tabelle V; IV-E

Fachliche Einordnung

Reinforcement Learning bezeichnet hier das Lernen einer Handlungsstrategie aus bewerteten Versuchen in der Simulation. Ihr Transfer auf die reale Maschine ist nachgewiesen, ihre Leistungsfähigkeit aber auf die geprüfte Aufnahmeaufgabe begrenzt. Zielverlust und notwendige Neueinrichtung gehören zur Prozessbilanz; erfolgreiche Aufnahme ist weder ein abgeschlossener Erdarbeitsauftrag noch ein Beleg für allgemeine Baustellenautonomie.

Quelle 1: Towards Learning Boulder Excavation with Hydraulic Excavators, Fundstelle(n): III-A–D · IV-B, Tabelle V; IV-E

Der Gesamtzyklus entscheidet über Leistung

Studien-/Praxisbefund

Eine ETH/Liebherr-Arbeit untersucht gelernte Materialhandhabung mit einer 40-Tonnen-Maschine. Greifen und Ablaufwechsel enthalten feste Steuerungsanteile, bei Fehlern ist ein manueller Reset nötig. Der dokumentierte schnelle Robotermodus benötigt im Mittel 32,55 Sekunden je Gesamtzyklus, der schnelle Experte 17,44 Sekunden. Zusätzlich berichtet die Studie Abweichungen vom geplanten Bewegungskorridor und Unterschiede zwischen simulierter und realer Materialablage.

Quelle 2: Large Scale Robotic Material Handling: Learning, Planning, and Control, Fundstelle(n): III-E/F; IV-D Tabelle 4 · IV-B/C; V-B

Fachliche Einordnung

Die gelernte Bewegung ist damit nicht mit einem schnelleren Gesamtprozess gleichzusetzen. Für den Einsatz zählen auch Aufnahme, Transport, Ablage, Wiederanlauf und die geforderte Ablagegenauigkeit. Der Vergleich bleibt auf diesen Aufbau begrenzt. Korridorplanung und erfolgreiche Versuche ersetzen keinen Nachweis, dass das gesamte System im vorgesehenen Arbeitsraum sicher betrieben werden kann.

Quelle 2: Large Scale Robotic Material Handling: Learning, Planning, and Control, Fundstelle(n): III-E/F; IV-D Tabelle 4 · IV-B/C; V-B

Kontaktlernen und adaptive Korrektur bei der Montage

Studien-/Praxisbefund

Eine Princeton-Arbeit von 2025 lernt Holzmontage aus teleoperiert aufgezeichneten Bewegungs- und Kraftdaten. Ein Folgeansatz von August 2026 verbindet simulationsgelernte Diffusion Policies mit adaptiver Kraft- und Positionskorrektur. In dessen realen Einzelversuchen gelingt das Rohrfügen auch den beiden Vergleichsverfahren vollständig. Die größere Holzbaugruppe wird über drei Einfügeaufgaben mit jeweils zehn Versuchen bewertet; die Quoten betragen 100, 90 und 100 %. Gegriffene, vorpositionierte Teile und am Realaufbau eingestellte Regler werden vorausgesetzt.

Quelle 4: Learning Diffusion Policies for Robotic Manipulation of Timber Joinery under Fabrication Uncertainty, Fundstelle(n): 2.1–2.4; 4.1–4.2; 5.1 Quelle 5: Contact-Rich Robotic Manipulation in Construction via Zero-Shot Learning: A Diffusion Policy-Guided Adaptive Control, Fundstelle(n): 4.1.2–4.1.3; Tabelle 5; 6.1 · 4.2.1–4.2.3; 5.2

Fachliche Einordnung

Eine Diffusion Policy erzeugt aus gelernten Beispielen eine passende Bewegungsfolge; die zusätzliche Regelung korrigiert Abweichungen während des Kontakts. Der neue Trainings- und Regelweg erweitert die Methode, belegt aber keine allgemeine Überlegenheit gegenüber jedem Vergleichsverfahren. Die Teilquoten dürfen nicht als Erfolgsrate vollständiger autonomer Montagezyklen erscheinen. Auch simulationsgestütztes Lernen beseitigt Einrichtungs- und Anpassungsaufwand nicht.

Rückfragen sind Teil der gemeinsamen Leistung

Studien-/Praxisbefund

Act or Ask kombiniert ein Bild-Sprach-Modell mit getrennter Bewegungsplanung. Bei kleinen Panels erreicht die Variante mit Rückfragen 90 % statt 60 % Erfolg ohne Rückfragen; neun von 30 Durchläufen benötigen menschliche Zielklärung. Hochkonfidente falsche Zielpunkte bleiben möglich. Eine Stuttgarter Demontagearbeit dokumentiert ebenfalls Grenzen sprachgestützter Aktion: eine vorzeitige Bewegung bei mehrdeutiger Sprache, menschliche Anfahrtkorrektur und einen größeren Fall, der bereits in Simulation scheitert.

Quelle 3: Human–robot collaboration in building disassembly: a multi-agent LLM architecture, Fundstelle(n): 3.1–3.8; 4.1–4.4 Quelle 14: Act or ask: Interactive construction robots via vision–language models with confidence-guided decision deferral, Fundstelle(n): 3.3–3.4; 4.3.1–4.3.3 · 4.3.4–4.3.5

Fachliche Einordnung

Eine Rückfrage kann die gemeinsame Aufgabenerfüllung verbessern, ist aber weder autonome Problemlösung noch eine validierte Schutzfunktion. Die Bewertung sollte Eingriffshäufigkeit, Zuständigkeit und Wiederaufnahme getrennt ausweisen. Besonders relevant sind Fehler, bei denen das Modell überzeugt wirkt und gerade deshalb keine Hilfe anfordert. Sprachliche Plausibilität ist kein Kriterium für eine zulässige physische Aktion.

VLA-Benchmarks: Simulation ist kein Baustelleneinsatz

Studien-/Praxisbefund

Der von Hu und Kollegen veröffentlichte Vergleich von hierarchischem Reinforcement Learning und Vision-Language-Action-Modellen untersucht zwei MuJoCo-Szenen. Die Originalmethodik bezeichnet sämtliche Experimente ausdrücklich als Simulation. Die Bewertung trennt Aufnahme und weitere Installationsschritte; zudem unterscheiden sich Eingabemodalitäten und Störbedingungen der Verfahren.

Quelle 12: Sample-Efficient Robot Skill Learning for Construction Tasks: Benchmarking Hierarchical Reinforcement Learning and Vision-Language-Action VLA Model, Fundstelle(n): 5.1; 5.2 Tabellen 1–2; 6

Fachliche Einordnung

Ein VLA-Modell verbindet visuelle und sprachliche Eingaben mit Aktionsausgaben. Seine Bewertung in einer simulierten Bauaufgabe ist relevant für die Methodenentwicklung, aber kein Nachweis realer Montageleistung. Teilziele und unterschiedliche Eingaben müssen beim Vergleich sichtbar bleiben; aus einer Aufnahmequote folgt weder eine Installationsquote noch ein belastbarer Vergleich mit physischen Versuchsreihen.

Inspektionsrobotik als abgegrenzte Marktanwendung

Studien-/Praxisbefund

ANYbotics beschreibt gelernte Fortbewegung als ANYmal-Produktfunktion. Der Anbieterbericht zu Vigier in Péry und ein direktes Interview mit Anwender und Anbieter beschreiben mobile Inspektion im Zementwerk und die Überführung von Messungen in Instandhaltungsaufträge. Im berichteten Fundamentfall erkennen Mitarbeiter die Auffälligkeit im Livebild. Der Anbieterfall nennt außerdem ergänzte Gasmessungen auf bestehenden Routen. Startjahr und Messumfang weichen zwischen den beiden Berichten ab.

Quelle 6: ANYmal inspection solution capabilities, Fundstelle(n): Extreme mobility; Navigating large facilities; Intelligent data gathering Quelle 7: How Vigier (Vicat Group) protects uptime, removes technicians from hazardous zones, and recovers shutdown costs, Fundstelle(n): From paper rounds; Finding #1; Finding #3 · From paper rounds Quelle 16: Processing Q&A: ANYmal, the autonomous plant inspection robot, Fundstelle(n): Einleitung; Fragen zur Maintenance strategy

Fachliche Einordnung

Der Fall trägt eine konkrete Marktanwendung mobiler Inspektion, nicht den Nachweis autonomer Reparatur oder einer KI-gestützten Risserkennung. Zusätzliche Messaufgaben zeigen eine begrenzte Nutzungsausweitung; widersprüchliche Mengendaten dürfen nicht zu einer Wachstumsreihe verrechnet werden. Produktbeschreibung, Fallstudie und Interview gehören zu derselben Anbieter-Anwender-Kette und ersetzen keine unabhängige Wirkungsmessung.

Vom mobilen Gerät zum betrieblichen Dienst

Studien-/Praxisbefund

Der Northern-Lights-Anwendungsbericht aus Norwegen beschreibt neben der Inspektionsaufgabe vorbereitende Kartierung, den Anlagenzwilling sowie API- und Flottenintegration. Einführung und weitere Anwendungsentwicklung waren beim Bericht im Juni 2025 noch im Gang. Der Text beschreibt somit einen konkreten Integrationsweg, keinen abgeschlossenen unabhängigen Langzeitvergleich.

Quelle 8: ANYmal deployed at Northern Lights CCS Facility, Fundstelle(n): The Solution; The Deployment; The Future

Fachliche Einordnung

Ein nutzbarer Inspektionsdienst braucht mehr als Fortbewegung: Messorte müssen identifizierbar, Daten dem richtigen Anlagenobjekt zuordenbar und Befunde an Folgeprozesse übergebbar sein. Aufwand für Einrichtung, Modellpflege und Schnittstellen ist bei der Einführung mitzurechnen. Die technische Anbindung allein belegt noch nicht, dass Entscheidungen oder Instandhaltungsmaßnahmen automatisch erfolgen.

Quelle 8: ANYmal deployed at Northern Lights CCS Facility, Fundstelle(n): The Solution; The Deployment; The Future

Projektziele von erreichten Ergebnissen trennen

Studien-/Praxisbefund

CORDIS führt RADIANCE als Projekt von September 2025 bis August 2029; die Projekt- und SINTEF-Seiten beschreiben Robotik, digitale Unterstützung und vorgesehene Erprobungsumgebungen. Die gelesenen Seiten liefern keine auswertbare abgeschlossene Robotik-Testserie. Ein Wuhan-Projekthinweis verbindet visuelle Materialerkennung und Nahinfrarotprüfung mit Abfallsortierung. Die dort genannte Recyclingquote ist ein Ziel, kein dokumentiertes Messergebnis.

Quelle 9: RADIANCE – Robotic, Automated and DIgital solutions for improving building renovAtion and New Construction Efficiency, Fundstelle(n): Project Information; Objective Quelle 15: RADIANCE – Robotic, Automated and Digital solutions for improving building renovation and New Construction Efficiency, Fundstelle(n): Projektbeschreibung; SINTEF contributions Quelle 13: Autonomous Robotic System for on-site Construction Waste Assessment and Separation in Wuhan – 1Pager, Fundstelle(n): Description Quelle 5: Contact-Rich Robotic Manipulation in Construction via Zero-Shot Learning: A Diffusion Policy-Guided Adaptive Control, Fundstelle(n): 4.2 Quelle 3: Human–robot collaboration in building disassembly: a multi-agent LLM architecture, Fundstelle(n): 4

Fachliche Einordnung

Diese Vorhaben zeigen, welche Bau-, Renovierungs- und Kreislaufaufgaben bearbeitet werden. Sie können Entwicklungsaktivität stützen, aber weder einen erreichten Durchsatz noch eine Marktanwendung belegen. Für Rückbau und Sortierung müssen physische Handhabung, Materialqualität, Wiederverwendbarkeit und möglicher Ressourcennutzen jeweils gesondert nachgewiesen werden.

Warum Physical AI und adaptive Baurobotik relevant ist

ReifegradDemonstrator bis erste Marktanwendung

Die Spannweite MR-02 bis MR-04 bleibt bestehen. Begrenzte Montage- und Demontageaufbauten belegen Demonstratoren; die ETH-Versuche zeigen gelernte Teilhandlungen auf realen Maschinen. Die obere Grenze stützt sich auf benannte mobile Inspektion im Anlagenbetrieb, zusammen mit der beschriebenen gelernten Mobilitätsfunktion. Sie gilt nicht pauschal für adaptive Montage oder offene Baustellenautonomie. Die genaue Software-/Policy-Version der einzelnen Installation ist nicht unabhängig verifiziert.

Quelle 3: Human–robot collaboration in building disassembly: a multi-agent LLM architecture, Fundstelle(n): 4 Quelle 1: Towards Learning Boulder Excavation with Hydraulic Excavators, Fundstelle(n): IV-B Quelle 6: ANYmal inspection solution capabilities, Fundstelle(n): Extreme mobility Quelle 7: How Vigier (Vicat Group) protects uptime, removes technicians from hazardous zones, and recovers shutdown costs, Fundstelle(n): From paper rounds Quelle 16: Processing Q&A: ANYmal, the autonomous plant inspection robot, Fundstelle(n): Maintenance strategy

Evidenzwachsende Evidenz

Mehrere Originalarbeiten legen reale Versuchsanordnungen, Vergleichsverfahren und Fehler offen. Das trägt wachsende Evidenz für abgegrenzte Wahrnehmungs-, Bewegungs- und Kooperationsfunktionen. Kleine Aufgabensätze, wiederkehrende Forschungsteams und fehlende unabhängige Übertragung auf weitere Baustellen begrenzen die Aussagekraft. Anbieter- und Anwenderberichte belegen benannte Nutzung, aber keine unabhängige Nutzen- oder Sicherheitsvalidierung.

Quelle 1: Towards Learning Boulder Excavation with Hydraulic Excavators, Fundstelle(n): IV Quelle 4: Learning Diffusion Policies for Robotic Manipulation of Timber Joinery under Fabrication Uncertainty, Fundstelle(n): 4–5 Quelle 14: Act or ask: Interactive construction robots via vision–language models with confidence-guided decision deferral, Fundstelle(n): 4.3 Quelle 7: How Vigier (Vicat Group) protects uptime, removes technicians from hazardous zones, and recovers shutdown costs, Fundstelle(n): Impact · From paper rounds Quelle 3: Human–robot collaboration in building disassembly: a multi-agent LLM architecture, Fundstelle(n): 3.1–3.8; 4.1–4.4 Quelle 12: Sample-Efficient Robot Skill Learning for Construction Tasks: Benchmarking Hierarchical Reinforcement Learning and Vision-Language-Action VLA Model, Fundstelle(n): 5.1; 5.2 Tabellen 1–2; 6 Quelle 16: Processing Q&A: ANYmal, the autonomous plant inspection robot, Fundstelle(n): Einleitung; Fragen zur Maintenance strategy

EntwicklungsdynamikAktive Weiterentwicklung

Kontaktlernen, sensorische Aktion und sprachgestützte Kooperation werden konkret weiterentwickelt.

Aktuelle Arbeiten untersuchen mehrere technische Wege: gelernte Baggerbewegung aus räumlicher Wahrnehmung, simulationsgestützte Montage mit adaptiver Korrektur und Rückfragen bei sprachlich-visueller Zielwahl. Die Montagearbeiten von 2025 und 2026 zeigen eine datierbare Methodenerweiterung, keine unmittelbar vergleichbare Leistungssteigerung. Eine beschleunigte Entwicklungsrate über unabhängige Zeitreihen ist nicht nachgewiesen; deshalb ED-02 statt ED-03.

MarktdynamikSelektive Ausweitung

Zusätzliche Inspektionsaufgaben sind in einem benannten Betrieb berichtet; eine breite Ausweitung ist nicht belegt.

Die Vigier-Fallstudie vom Juni 2026 beschreibt die Aufnahme von Gasmessungen in vorhandene robotische Inspektionsrouten. Das spätere Anwenderinterview berichtet ebenfalls schrittweise ergänzte Messpunkte. Diese eng begrenzte Anwendungsausweitung trägt MD-02, nicht eine allgemeine Marktdurchdringung adaptiver Baurobotik. Es handelt sich um dieselbe Anbieter-Anwender-Kette; einzelne Erweiterungszeitpunkte sowie widersprüchliche Start- und Mengenangaben bleiben ungeklärt. Forschungsdemonstratoren und Projektziele zählen nicht als Rollout.

Quelle 7: How Vigier (Vicat Group) protects uptime, removes technicians from hazardous zones, and recovers shutdown costs, Fundstelle(n): Finding #3 · From paper rounds Quelle 16: Processing Q&A: ANYmal, the autonomous plant inspection robot, Fundstelle(n): Maintenance strategy · Einleitung; Fragen zur Maintenance strategy Quelle 9: RADIANCE – Robotic, Automated and DIgital solutions for improving building renovAtion and New Construction Efficiency, Fundstelle(n): Objective

Für welche Bauprozesse Physical AI und adaptive Baurobotik relevant ist

Strategie & Projektentwicklung

Relevanz: 1 von 3 Punkten, Indirekte Relevanz

Die strategische Relevanz liegt in der Auswahl wiederkehrender physischer Aufgaben und geeigneter Arbeitsräume. Einrichtung, Aufsicht, Störungen und die Übergabe an Folgeprozesse bestimmen, ob aus einer technisch möglichen Teilhandlung ein sinnvoller Einsatz wird. Dies ist eine Entscheidungsvoraussetzung, kein gemessener Investitionserfolg.

Quelle 5: Contact-Rich Robotic Manipulation in Construction via Zero-Shot Learning: A Diffusion Policy-Guided Adaptive Control, Fundstelle(n): 4.2; 6.1 Quelle 8: ANYmal deployed at Northern Lights CCS Facility, Fundstelle(n): The Deployment Quelle 11: RICS Construction Productivity Report 2026 – Productivity in Construction, Fundstelle(n): Definitions Quelle 4: Learning Diffusion Policies for Robotic Manipulation of Timber Joinery under Fabrication Uncertainty, Fundstelle(n): 2.1 Quelle 2: Large Scale Robotic Material Handling: Learning, Planning, and Control, Fundstelle(n): III-F Quelle 14: Act or ask: Interactive construction robots via vision–language models with confidence-guided decision deferral, Fundstelle(n): 4.3

Planung & Design

Relevanz: 2 von 3 Punkten, Mittlere Relevanz

Geometrie, Greif- und Einfügeziele, Toleranzen und Montagefolgen müssen für die Ausführung nutzbar sein. Bei bestehenden Anlagen kommt der Abgleich von Modell, Kartierung und realer Umgebung hinzu. Planung schafft damit wesentliche Einsatzvoraussetzungen; ein passendes Modell ersetzt die Wahrnehmung tatsächlicher Lage- und Kontaktabweichungen nicht.

Quelle 5: Contact-Rich Robotic Manipulation in Construction via Zero-Shot Learning: A Diffusion Policy-Guided Adaptive Control, Fundstelle(n): 4.2; 6.1 · 4.2.1–4.2.3; 5.2 Quelle 8: ANYmal deployed at Northern Lights CCS Facility, Fundstelle(n): The Deployment · The Solution; The Deployment; The Future Quelle 11: RICS Construction Productivity Report 2026 – Productivity in Construction, Fundstelle(n): Definitions

Ausschreibung & Vergabe

Relevanz: 1 von 3 Punkten, Indirekte Relevanz

Beschaffung und Vergabe benötigen präzise Angaben zum autonomen Anteil, zum Einsatzraum und zu den Schnittstellen. Abnahmekriterien sollten neben Erfolgsquote und Zykluszeit auch Aufbau, Rückfragen, Reset und Nacharbeit erfassen. Die Relevanz ist indirekt: belastbare Leistungsbeschreibung statt eines allgemeinen Versprechens autonomer Robotik.

Bauausführung & Baustellenmanagement

Relevanz: 3 von 3 Punkten, Hohe oder strategische Relevanz

In der Ausführung wirkt Physical AI unmittelbar auf Materialaufnahme, Positionierung und Montage. Sensor- und Kontaktfeedback können eine Teilhandlung an Abweichungen anpassen. Der Prozess ist deshalb der Schwerpunkt des Impulses; Erfolg einer Bewegung darf jedoch nicht mit vollständigem Arbeitsabschluss, sicherem Gesamteinsatz oder wirtschaftlicher Überlegenheit gleichgesetzt werden.

Quelle 1: Towards Learning Boulder Excavation with Hydraulic Excavators, Fundstelle(n): III–IV · IV-B, Tabelle V; IV-E Quelle 5: Contact-Rich Robotic Manipulation in Construction via Zero-Shot Learning: A Diffusion Policy-Guided Adaptive Control, Fundstelle(n): 4.2 Quelle 16: Processing Q&A: ANYmal, the autonomous plant inspection robot, Fundstelle(n): Maintenance strategy Quelle 3: Human–robot collaboration in building disassembly: a multi-agent LLM architecture, Fundstelle(n): 4 Quelle 13: Autonomous Robotic System for on-site Construction Waste Assessment and Separation in Wuhan – 1Pager, Fundstelle(n): Description Quelle 2: Large Scale Robotic Material Handling: Learning, Planning, and Control, Fundstelle(n): III-E/F; IV-D Tabelle 4

Betrieb & Instandhaltung

Relevanz: 2 von 3 Punkten, Mittlere Relevanz

Mobile Inspektion erschließt wiederholbare Messwege und liefert Zustandsdaten an die Instandhaltung. Im benannten Anlagenbetrieb werden daraus menschlich bearbeitete Arbeitsaufträge. Befundbewertung, Reparatur und deren Freigabe bleiben eigene Aufgaben. Reinigung und manipulative Wartung werden durch die hier geprüften Fälle nicht erneut belegt.

Quelle 1: Towards Learning Boulder Excavation with Hydraulic Excavators, Fundstelle(n): III–IV Quelle 5: Contact-Rich Robotic Manipulation in Construction via Zero-Shot Learning: A Diffusion Policy-Guided Adaptive Control, Fundstelle(n): 4.2 Quelle 16: Processing Q&A: ANYmal, the autonomous plant inspection robot, Fundstelle(n): Maintenance strategy · Einleitung; Fragen zur Maintenance strategy Quelle 3: Human–robot collaboration in building disassembly: a multi-agent LLM architecture, Fundstelle(n): 4 Quelle 13: Autonomous Robotic System for on-site Construction Waste Assessment and Separation in Wuhan – 1Pager, Fundstelle(n): Description Quelle 7: How Vigier (Vicat Group) protects uptime, removes technicians from hazardous zones, and recovers shutdown costs, Fundstelle(n): From paper rounds

Rückbau & Kreislaufwirtschaft

Relevanz: 2 von 3 Punkten, Mittlere Relevanz

Robotisches Halten und Entnehmen kann die Demontage unterstützen; Materialerkennung und Sortierkonzepte schließen daran an. Die vorliegenden Demontagebefunde sind kleine Laborfälle, die Sortierbeschreibung ein Projektziel. Stabilität, Bauteilzustand und Wiederverwendbarkeit benötigen zusätzliche Prüfung. Prozessrelevanz bedeutet hier nicht einheitliche Einsatzreife oder nachgewiesenen Netto-Umweltnutzen.

Quelle 1: Towards Learning Boulder Excavation with Hydraulic Excavators, Fundstelle(n): III–IV Quelle 5: Contact-Rich Robotic Manipulation in Construction via Zero-Shot Learning: A Diffusion Policy-Guided Adaptive Control, Fundstelle(n): 4.2 Quelle 16: Processing Q&A: ANYmal, the autonomous plant inspection robot, Fundstelle(n): Maintenance strategy Quelle 3: Human–robot collaboration in building disassembly: a multi-agent LLM architecture, Fundstelle(n): 4 Quelle 13: Autonomous Robotic System for on-site Construction Waste Assessment and Separation in Wuhan – 1Pager, Fundstelle(n): Description

Für wen Physical AI und adaptive Baurobotik relevant ist

Bauunternehmen und Generalunternehmer

Bauunternehmen können wiederkehrende physische Teilaufgaben abgeben und sensorisch angepasste Abläufe erproben. Maßgeblich bleibt der vollständige Arbeitszyklus einschließlich Aufstellung, Eingriffen und Nacharbeit. Der dokumentierte Materialumschlag zeigt ausdrücklich, dass gelernte Bewegung nicht automatisch schneller als erfahrene manuelle Bedienung ist.

Quelle 2: Large Scale Robotic Material Handling: Learning, Planning, and Control, Fundstelle(n): IV-D · III-E/F; IV-D Tabelle 4 Quelle 16: Processing Q&A: ANYmal, the autonomous plant inspection robot, Fundstelle(n): Maintenance strategy

Betreiber, Facility- und Asset-Management

Betreiber erhalten wiederholbare Messwege und nachvollziehbare Befunde für die Instandhaltungsplanung. Der Nutzen entsteht erst, wenn Messungen den richtigen Anlagenobjekten und Arbeitsaufträgen zugeordnet werden. Interpretation und Reparatur bleiben Fachaufgaben; ausgewiesene Vermeidungskosten sind keine unabhängig gemessenen Einsparungen.

Quelle 2: Large Scale Robotic Material Handling: Learning, Planning, and Control, Fundstelle(n): IV-D Quelle 16: Processing Q&A: ANYmal, the autonomous plant inspection robot, Fundstelle(n): Maintenance strategy · Einleitung; Fragen zur Maintenance strategy Quelle 7: How Vigier (Vicat Group) protects uptime, removes technicians from hazardous zones, and recovers shutdown costs, Fundstelle(n): From paper rounds; Finding #1; Finding #3 · From paper rounds

Baustoff-, Produkt- und Maschinenhersteller

Hersteller können Werkzeuge, Sensorschnittstellen und Steuerzugriff auf konkrete adaptive Aufgaben auslegen. Materialtoleranzen und Verschleiß beeinflussen die erlernte Bewegung und müssen zur Anwendung passen. Ein verfügbarer Roboter oder eine programmierbare Maschine ist für sich noch kein Beleg für gelernte Anpassungsfähigkeit.

Quelle 4: Learning Diffusion Policies for Robotic Manipulation of Timber Joinery under Fabrication Uncertainty, Fundstelle(n): 2; 5.1 · 2.1–2.4; 4.1–4.2; 5.1 Quelle 8: ANYmal deployed at Northern Lights CCS Facility, Fundstelle(n): The Solution Quelle 14: Act or ask: Interactive construction robots via vision–language models with confidence-guided decision deferral, Fundstelle(n): 4.3.4

Technologieanbieter und Systemintegratoren

Integratoren verbinden Wahrnehmung, Koordinatensysteme, Anlagenkontext, Steuerung und Datenübergabe. Ihr Beitrag liegt in einer prüfbaren Ausführungskette einschließlich Einrichtungs- und Rückfallprozessen. Schnittstellenfunktion und Modellkonfidenz genügen nicht als Nachweis fachlich richtiger oder sicherer Aktion.

Forschung, Verbände und Netzwerke

Forschung und Netzwerke können vergleichbare Versuchsprotokolle und unabhängige Wiederholungen voranbringen. Besonders fehlen Übertragungen auf unbekannte Werkstücke und Baustellen sowie vollständige Erfassung menschlicher Eingriffe, Nacharbeit und Ausfälle. Diese Angaben sind für die Einordnung wertvoller als isolierte Demonstrationserfolge.

Quelle 4: Learning Diffusion Policies for Robotic Manipulation of Timber Joinery under Fabrication Uncertainty, Fundstelle(n): 2; 5.1 Quelle 8: ANYmal deployed at Northern Lights CCS Facility, Fundstelle(n): The Solution Quelle 14: Act or ask: Interactive construction robots via vision–language models with confidence-guided decision deferral, Fundstelle(n): 4.3.4 Quelle 1: Towards Learning Boulder Excavation with Hydraulic Excavators, Fundstelle(n): IV-B, Tabelle V; IV-E Quelle 5: Contact-Rich Robotic Manipulation in Construction via Zero-Shot Learning: A Diffusion Policy-Guided Adaptive Control, Fundstelle(n): 4.2.1–4.2.3; 5.2

Mit welchen Technologie- und Anwendungsfeldern Physical AI und adaptive Baurobotik verknüpft ist

Hauptbezug

Robotik, Automatisierung & Physical AI

Hier liegt der Kern: Wahrnehmung und gelernte Handlungsfunktionen beeinflussen eine physische Maschine. Klassische Planung und Regelung bleiben Bestandteile der Kette. Robotik ist deshalb der primäre Zusammenhang; reine Bildauswertung ohne folgende Aktion erfüllt den beschriebenen Physical-AI-Zuschnitt nicht.

Quelle 1: Towards Learning Boulder Excavation with Hydraulic Excavators, Fundstelle(n): III-C/D · III Quelle 2: Large Scale Robotic Material Handling: Learning, Planning, and Control, Fundstelle(n): III-E/F Quelle 14: Act or ask: Interactive construction robots via vision–language models with confidence-guided decision deferral, Fundstelle(n): 3.3–3.4 Quelle 8: ANYmal deployed at Northern Lights CCS Facility, Fundstelle(n): The Solution Quelle 16: Processing Q&A: ANYmal, the autonomous plant inspection robot, Fundstelle(n): Maintenance strategy

Verknüpftes Feld

BIM & Digitaler Zwilling

Geometrische Modelle und Anlagenzwillinge liefern Zielorte, Objektbezüge und Arbeitskontext. Der Northern-Lights-Fall zeigt die Verknüpfung von Kartierung, Inspektionsdaten und Anlagenumgebung. Daraus folgt kein allgemeiner BIM-Nachweis für sämtliche Roboterbeispiele; Modellstand und reale Situation müssen jeweils zusammenpassen.

Quelle 8: ANYmal deployed at Northern Lights CCS Facility, Fundstelle(n): The Solution; The Deployment; The Future · The Solution Quelle 1: Towards Learning Boulder Excavation with Hydraulic Excavators, Fundstelle(n): III Quelle 16: Processing Q&A: ANYmal, the autonomous plant inspection robot, Fundstelle(n): Maintenance strategy

Verknüpftes Feld

Datenplattformen & KI-Infrastruktur

Sensorik, lokale Verarbeitung, Steuerzugriff und APIs verbinden Beobachtung mit Aktion und betrieblicher Datenübergabe. Die Integrationsleistung betrifft Messdaten, Koordinatensysteme und Zustände ebenso wie den Anschluss an Flotten- und Anlagenplattformen. Sie ist Voraussetzung für Nutzung, kein eigenständiger Wirksamkeitsbeleg.

Quelle 1: Towards Learning Boulder Excavation with Hydraulic Excavators, Fundstelle(n): III-A–D · III Quelle 8: ANYmal deployed at Northern Lights CCS Facility, Fundstelle(n): The Solution; The Deployment; The Future · The Solution Quelle 16: Processing Q&A: ANYmal, the autonomous plant inspection robot, Fundstelle(n): Maintenance strategy

Verknüpftes Feld

Predictive Analytics & Entscheidungen

Zustandsdaten aus robotischer Inspektion unterstützen die Priorisierung von Instandhaltungsaufgaben. Der Anschluss besteht über Auswertung und Entscheidung, nicht zwingend über eine Prognose: weder jede Regelung noch jeder Anomaliebefund ist Predictive Analytics. Eine automatische Reparaturentscheidung ist durch die Fallberichte nicht belegt.

Quelle 16: Processing Q&A: ANYmal, the autonomous plant inspection robot, Fundstelle(n): Einleitung; Fragen zur Maintenance strategy · Maintenance strategy Quelle 7: How Vigier (Vicat Group) protects uptime, removes technicians from hazardous zones, and recovers shutdown costs, Fundstelle(n): From paper rounds Quelle 1: Towards Learning Boulder Excavation with Hydraulic Excavators, Fundstelle(n): III Quelle 8: ANYmal deployed at Northern Lights CCS Facility, Fundstelle(n): The Solution

Fachbegriffe und Detailthemen

Quellen und Evidenz zu Physical AI und adaptive Baurobotik

Die Quellenangaben dokumentieren die fachliche Grundlage des Impulsprofils. Öffnen Sie bei Bedarf die Verwendung im Profil, um zu den belegten Textstellen zurückzukehren.

Quelle 1
Towards Learning Boulder Excavation with Hydraulic Excavators
Herausgeber
Grütter, Terenzi, Egli, Hutter; ETH Zürich/Gravis, arXiv
Publiziert
22.09.2025
Quellentyp
Forschungsoriginal / Projektbericht
Geltungsbereich
Preprint; begrenzte Realversuche zur Steinaufnahme. Keine vollständige Baustellenleistung oder unabhängige Wiederholung.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (18 Textstellen)
- III-C/DTextstelle 1 Textstelle 2 Textstelle 4 Textstelle 38
- III-A–DTextstelle 1 Textstelle 4 Textstelle 7 Textstelle 8 Textstelle 40
- IV-B, Tabelle V; IV-ETextstelle 3 Textstelle 5 Textstelle 7 Textstelle 8 Textstelle 30 Textstelle 37
- IV-BTextstelle 23
- IVTextstelle 24
- III–IVTextstelle 25 Textstelle 30 Textstelle 31 Textstelle 32
- IIITextstelle 38 Textstelle 39 Textstelle 40 Textstelle 41
Quelle 2
Large Scale Robotic Material Handling: Learning, Planning, and Control
Herausgeber
Spinelli et al.; ETH Zürich/Liebherr, arXiv
Publiziert
12.08.2025
Quellentyp
Forschungsoriginal / Projektbericht
Geltungsbereich
Herstellernahes Forschungsoriginal; Gesamtzyklus, feste Steuerungsanteile und manueller Reset. Keine generelle Produktivitätsüberlegenheit.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (14 Textstellen)
- III-E/FTextstelle 1 Textstelle 2 Textstelle 4 Textstelle 38
- III-E/F; IV-D Tabelle 4Textstelle 2 Textstelle 3 Textstelle 4 Textstelle 5 Textstelle 9 Textstelle 10 Textstelle 30 Textstelle 33
- IIITextstelle 2
- III-FTextstelle 6 Textstelle 27 Textstelle 29
- IV-B/C; V-BTextstelle 9 Textstelle 10
- IV-DTextstelle 33 Textstelle 34
Quelle 3
Human–robot collaboration in building disassembly: a multi-agent LLM architecture
Herausgeber
Slezák et al.; Universität Stuttgart, Construction Robotics
Publiziert
06.07.2026
Quellentyp
Forschungsoriginal / Projektbericht
Geltungsbereich
Zwei kleine physische Demonstratoren, größerer Fall nur Simulation und gescheitert; keine Feldsicherheitsvalidierung.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (9 Textstellen)
- 3.1–3.8; 4.1–4.4Textstelle 13 Textstelle 14 Textstelle 24
- 4Textstelle 21 Textstelle 22 Textstelle 23 Textstelle 30 Textstelle 31 Textstelle 32
Quelle 4
Learning Diffusion Policies for Robotic Manipulation of Timber Joinery under Fabrication Uncertainty
Herausgeber
Mozaffari et al.; Princeton/University of Michigan, arXiv
Publiziert
21.11.2025
Quellentyp
Forschungsoriginal / Projektbericht
Geltungsbereich
Preprint; kontrollierte Holzverbindung, menschlich erzeugte Trainingsdaten und Materialverschleiß. Gleiche Forschungsfamilie wie die Montagearbeit von 2026.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (10 Textstellen)
- 2.1Textstelle 6 Textstelle 27 Textstelle 29
- 2.1–2.4; 4.1–4.2; 5.1Textstelle 11 Textstelle 12 Textstelle 35
- 4–5Textstelle 24
- 2; 5.1Textstelle 25 Textstelle 35 Textstelle 36 Textstelle 37
Quelle 5
Contact-Rich Robotic Manipulation in Construction via Zero-Shot Learning: A Diffusion Policy-Guided Adaptive Control
Herausgeber
Ibrahimov, Mozaffari, Adel; Princeton, arXiv
Publiziert
22.08.2026
Quellentyp
Forschungsoriginal / Projektbericht
Geltungsbereich
Preprint; feste Ziele, reale Reglereinstellung und vorbereitete Teile. Quoten einzelner Einfügeschritte sind keine Gesamtmontagequote.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (15 Textstellen)
- 4.2.1–4.2.3; 5.2Textstelle 2 Textstelle 3 Textstelle 5 Textstelle 11 Textstelle 12 Textstelle 28 Textstelle 37
- 4.2Textstelle 2 Textstelle 21 Textstelle 22 Textstelle 30 Textstelle 31 Textstelle 32
- 4.1.2–4.1.3; Tabelle 5; 6.1Textstelle 11 Textstelle 12
- 3–5Textstelle 25
- 3; 4.2; 6.1Textstelle 25
- 4.2; 6.1Textstelle 27 Textstelle 28 Textstelle 29
Quelle 6
ANYmal inspection solution capabilities
Herausgeber
ANYbotics
Publiziert
undatiert
Quellentyp
Anbieter- und Anwendungsbericht
Geltungsbereich
Undatierte Anbieterbeschreibung, gelernte Mobilität und Inspektionsfunktionen; genaue Version einzelner Installationen nicht unabhängig verifiziert.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (6 Textstellen)
- Extreme mobility; Navigating large facilities; Intelligent data gatheringTextstelle 1 Textstelle 2 Textstelle 4 Textstelle 17 Textstelle 18
- Navigating large facilitiesTextstelle 2
- Extreme mobilityTextstelle 23
Quelle 7
How Vigier (Vicat Group) protects uptime, removes technicians from hazardous zones, and recovers shutdown costs
Herausgeber
ANYbotics mit zitierten Vigier-Mitarbeitern
Publiziert
15.06.2026
Quellentyp
Anbieter- und Anwendungsbericht
Geltungsbereich
Benannter Anwender auf Anbieterkanal. Erweiterte Messaufgaben berichtet; Kostenwirkung nicht unabhängig geprüft. Start-/Mengendaten widersprechen teilweise dem Interview.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (10 Textstellen)
- From paper rounds; Finding #1; Finding #3Textstelle 3 Textstelle 5 Textstelle 17 Textstelle 18 Textstelle 34
- From paper roundsTextstelle 17 Textstelle 18 Textstelle 23 Textstelle 24 Textstelle 26 Textstelle 31 Textstelle 34 Textstelle 41
- ImpactTextstelle 24
- Finding #3Textstelle 26
Quelle 8
ANYmal deployed at Northern Lights CCS Facility
Herausgeber
ANYbotics/Equinor-Anwendungsbericht
Publiziert
23.06.2025
Quellentyp
Anbieter- und Anwendungsbericht
Geltungsbereich
Herstellerbericht zur laufenden Einführung. Juni 2025 im begründet erweiterten 24-Monatsfenster; kein unabhängiger Langzeitnachweis.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (14 Textstellen)
- The Solution; The Deployment; The FutureTextstelle 5 Textstelle 19 Textstelle 20 Textstelle 28 Textstelle 36 Textstelle 39 Textstelle 40
- The DeploymentTextstelle 6 Textstelle 27 Textstelle 28 Textstelle 29
- The SolutionTextstelle 35 Textstelle 36 Textstelle 37 Textstelle 38 Textstelle 39 Textstelle 40 Textstelle 41
Quelle 9
RADIANCE – Robotic, Automated and DIgital solutions for improving building renovAtion and New Construction Efficiency
Herausgeber
Europäische Kommission, CORDIS
Publiziert
undatiert
Quellentyp
EU-Projektinformation
Geltungsbereich
Förder- und Projektauftrag, Start September 2025; Publikationsdatum der Seite unbekannt. Keine auswertbare abgeschlossene Robotik-Testserie auf der gelesenen Seite.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (3 Textstellen)
- Project Information; ObjectiveTextstelle 21 Textstelle 22
- ObjectiveTextstelle 26
Quelle 10
Artificial Intelligence in the European Construction Sector: Strategic Adoption, Responsible Use, and Sectoral Leadership
Herausgeber
FIEC
Publiziert
22.10.2025
Quellentyp
Branchenquelle
Geltungsbereich
Originalposition vom 22.10.2025; Branchenkontext, keine Roboterleistungs- oder Konformitätsprüfung.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (1 Textstelle)
- S.1–2Textstelle 6
Quelle 11
RICS Construction Productivity Report 2026 – Productivity in Construction
Herausgeber
RICS
Publiziert
2026
Quellentyp
Branchenquelle
Geltungsbereich
Branchenbefragung im Berichtskontext 2026; kein isolierter Robotiknutzen. Tagesdatum nicht belegt.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (4 Textstellen)
- Productivity in Construction; Key findings; DefinitionsTextstelle 6
- DefinitionsTextstelle 27 Textstelle 28 Textstelle 29
Quelle 12
Sample-Efficient Robot Skill Learning for Construction Tasks: Benchmarking Hierarchical Reinforcement Learning and Vision-Language-Action VLA Model
Herausgeber
Hu et al.; Stony Brook/Virginia Tech, arXiv
Publiziert
16.12.2025
Quellentyp
Forschungsoriginal / Projektbericht
Geltungsbereich
Preprint mit ausschließlich simulierten Versuchen. arXiv-v1-Datum und NameTag im Text weichen ab; kein physischer Bauausführungsnachweis.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (3 Textstellen)
- 5.1; 5.2 Tabellen 1–2; 6Textstelle 15 Textstelle 16 Textstelle 24
Quelle 13
Autonomous Robotic System for on-site Construction Waste Assessment and Separation in Wuhan – 1Pager
Herausgeber
Huazhong University of Science and Technology/China Construction Third Bureau First Engineer; Reincarnate, Zenodo
Publiziert
08.04.2026
Quellentyp
Forschungsoriginal / Projektbericht
Geltungsbereich
Nur Projektbeschreibung und Metadaten zugänglich; PDF nicht gelesen. Zielquote nicht als erreichtes Ergebnis nutzbar.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (5 Textstellen)
- DescriptionTextstelle 21 Textstelle 22 Textstelle 30 Textstelle 31 Textstelle 32
Quelle 14
Act or ask: Interactive construction robots via vision–language models with confidence-guided decision deferral
Herausgeber
Huang/Zou; Columbia University; Autorenfassung auf ResearchGate, DOI 10.1016/j.aei.2026.104454
Publiziert
06.04.2026
Quellentyp
Forschungsoriginal / Projektbericht
Geltungsbereich
Gelesene Autorenfassung vom 06.04.2026; kein behaupteter Zeitschriften-Erstpublikationstag. Kleiner Laboraufbau, Erfolgsquote enthält menschliche Hilfe; keine validierte Schutzfunktion.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (15 Textstellen)
- 3.3–3.4Textstelle 1 Textstelle 2 Textstelle 4 Textstelle 38
- 3.3–3.4; 4.3.1–4.3.3Textstelle 3 Textstelle 13 Textstelle 14
- 4.3Textstelle 6 Textstelle 24 Textstelle 27 Textstelle 29
- 4.3.4–4.3.5Textstelle 13 Textstelle 14 Textstelle 36
- 3–4Textstelle 25
- 4.3.4Textstelle 35 Textstelle 36 Textstelle 37
Quelle 15
RADIANCE – Robotic, Automated and Digital solutions for improving building renovation and New Construction Efficiency
Herausgeber
SINTEF
Publiziert
undatiert
Quellentyp
Forschungsoriginal / Projektbericht
Geltungsbereich
Undatierte Projektpartnerbeschreibung derselben RADIANCE-Projektkette, keine unabhängige Ergebnisbestätigung.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (2 Textstellen)
- Projektbeschreibung; SINTEF contributionsTextstelle 21 Textstelle 22
Quelle 16
Processing Q&A: ANYmal, the autonomous plant inspection robot
Herausgeber
Nate Todd/Processing; direktes Interview mit Robert Christinger (Vigier) und Brecht Vandekerkhove (ANYbotics)
Publiziert
26.08.2026
Quellentyp
Branchenquelle
Geltungsbereich
Direktes Interview mit Anwender und Anbieter, keine unabhängige Wirkungsmessung. Startjahr und Mengen weichen von Anbieterfallstudie ab.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (14 Textstellen)
- Einleitung; Fragen zur Maintenance strategyTextstelle 17 Textstelle 18 Textstelle 24 Textstelle 26 Textstelle 31 Textstelle 34 Textstelle 41
- Maintenance strategyTextstelle 23 Textstelle 26 Textstelle 30 Textstelle 31 Textstelle 32 Textstelle 33 Textstelle 34 Textstelle 38 Textstelle 39 Textstelle 40 Textstelle 41

Alle Impulse im Radar entdecken

Physical AI und adaptive Baurobotik

Um was geht es bei Physical AI und adaptive Baurobotik?

Einordnung im Impulsradar

Gelernte Teilfunktionen, begrenzte Autonomie

Worauf es bei Physical AI und adaptive Baurobotik fachlich ankommt

Studien-/Praxisbefund

Fachliche Einordnung

Studien-/Praxisbefund

Fachliche Einordnung

Studien-/Praxisbefund

Fachliche Einordnung

Studien-/Praxisbefund

Fachliche Einordnung

Studien-/Praxisbefund

Fachliche Einordnung

Studien-/Praxisbefund

Fachliche Einordnung

Studien-/Praxisbefund

Fachliche Einordnung

Studien-/Praxisbefund

Fachliche Einordnung

Warum Physical AI und adaptive Baurobotik relevant ist

Für welche Bauprozesse Physical AI und adaptive Baurobotik relevant ist

Strategie & Projektentwicklung

Planung & Design

Ausschreibung & Vergabe

Bauausführung & Baustellenmanagement

Betrieb & Instandhaltung

Rückbau & Kreislaufwirtschaft

Für wen Physical AI und adaptive Baurobotik relevant ist

Bauunternehmen und Generalunternehmer

Betreiber, Facility- und Asset-Management

Baustoff-, Produkt- und Maschinenhersteller

Technologieanbieter und Systemintegratoren

Forschung, Verbände und Netzwerke

Mit welchen Technologie- und Anwendungsfeldern Physical AI und adaptive Baurobotik verknüpft ist

Robotik, Automatisierung & Physical AI

BIM & Digitaler Zwilling

Datenplattformen & KI-Infrastruktur

Predictive Analytics & Entscheidungen

Fachbegriffe und Detailthemen

Verwandte Innovationsimpulse zu Physical AI und adaptive Baurobotik

Quellen und Evidenz zu Physical AI und adaptive Baurobotik

Towards Learning Boulder Excavation with Hydraulic Excavators

Large Scale Robotic Material Handling: Learning, Planning, and Control

Human–robot collaboration in building disassembly: a multi-agent LLM architecture

Learning Diffusion Policies for Robotic Manipulation of Timber Joinery under Fabrication Uncertainty

Contact-Rich Robotic Manipulation in Construction via Zero-Shot Learning: A Diffusion Policy-Guided Adaptive Control

ANYmal inspection solution capabilities

How Vigier (Vicat Group) protects uptime, removes technicians from hazardous zones, and recovers shutdown costs

ANYmal deployed at Northern Lights CCS Facility

RADIANCE – Robotic, Automated and DIgital solutions for improving building renovAtion and New Construction Efficiency

Artificial Intelligence in the European Construction Sector: Strategic Adoption, Responsible Use, and Sectoral Leadership

RICS Construction Productivity Report 2026 – Productivity in Construction

Sample-Efficient Robot Skill Learning for Construction Tasks: Benchmarking Hierarchical Reinforcement Learning and Vision-Language-Action VLA Model

Autonomous Robotic System for on-site Construction Waste Assessment and Separation in Wuhan – 1Pager

Act or ask: Interactive construction robots via vision–language models with confidence-guided decision deferral

RADIANCE – Robotic, Automated and Digital solutions for improving building renovation and New Construction Efficiency

Processing Q&A: ANYmal, the autonomous plant inspection robot