SafeHarness: Coding-Agenten greifen ohne Kollision
Ein Preprint zeigt: Coding-Agenten rammen beim Greifen meist das Hindernis. Mit zwei Harness-Bausteinen steigt die Kollisionsvermeidung auf 87,5 %.
Kurz gesagt
Nein — laut dem Preprint greifen Coding-Agenten nicht sicher, sondern kollidieren in den meisten Fällen mit dem Hindernis; erst der vorgeschlagene Aufsatz SafeHarness bringt sie auf 87,5 % Kollisionsvermeidung bei 71,9 % Aufgabenerfolg.
Auf einen Blick
- SafeHarness erreicht laut Abstract 71,9 % Aufgabenerfolg und 87,5 % Kollisionsvermeidung.
- Der Vorsprung auf den bisherigen Stand der Technik wird mit 6,5 % und 27,0 % angegeben.
- Gegenüber dem Agenten ohne Harness entspricht das Faktor 2,3 beziehungsweise Faktor 1,5.
- Zwei Bausteine: Routenplanung mit Bounding Boxes, Wegpunktprüfung und Replanning plus hindernisbewusste Kontaktausführung.
- Preprint vom 17.09.2026, arXiv 2609.20822, Kategorien cs.RO, cs.AI, cs.CL und cs.CV — nicht begutachtet.
Coding-Agenten schreiben den Robotercontroller als Programm und steuern damit Hardware, für die sie nie eigens trainiert wurden. Ein Preprint von Bingxin Xu, Yuzhang Shang, Zhen Dong und Emilio Ferrara stellt die Frage, die bei diesem Ansatz bislang niemand gestellt hat: Ist das auch sicher? Die Antwort im Abstract fällt unmissverständlich aus — der Agent verfolgt das Ziel und stößt dabei in den meisten Fällen mit dem Hindernis zusammen.
Der Fehler sitzt im Plan, nicht im Greifer
Die Autoren verorten das Verhalten an zwei Stellen: bei der Wahl der Route und bei der Ausführung des Kontakts. Der Agent behandelt das Erledigen der Aufgabe als die eigentliche Aufgabe; das Hindernis erscheint im erzeugten Programm schlicht nicht als Nebenbedingung. Die Kollision ist damit kein Ausrutscher der Motorik, sondern eine Lücke im Code, den das Sprachmodell geschrieben hat.
Zwei Bausteine namens SafeHarness
SafeHarness legt zwei Schichten um das Modell. Die erste plant die Route im Voraus: Hindernisse werden als Bounding Boxes erfasst, die Wegpunkte geprüft, und bei einem Treffer plant der Agent neu. Die zweite betrifft den Moment des Zugreifens und wählt die Kontaktstelle so, dass schon der Griff selbst am Hindernis vorbeiführt.
Beide Teile setzen auf derselben Ebene an, auf der das Problem entsteht — im generierten Controller. Ein robotersspezifisches Training bleibt damit außen vor; das Sprachmodell selbst wird nicht angefasst.
Die berichteten Zahlen
Der Abstract nennt 71,9 % Aufgabenerfolg und 87,5 % Kollisionsvermeidung. Gegenüber dem bisherigen Stand der Technik gibt das Team einen Vorsprung von 6,5 % und 27,0 % an. Verglichen mit dem Agenten ohne jeden Harness entspricht das Faktor 2,3 beim Erfolg und Faktor 1,5 bei der Kollisionsvermeidung.
Was sich aus dem Abstract nicht belegen lässt
Welcher Simulator oder Benchmark verwendet wurde, wie viele Aufgaben geprüft wurden und welche Sprachmodelle antraten, geht aus der öffentlichen Zusammenfassung nicht hervor — diese Angaben ließen sich hier nicht verifizieren. Ebenso wenig steht dort, ob die 6,5 und 27,0 als Prozentpunkte oder als relative Zuwächse zu lesen sind. Es handelt sich um einen Preprint vom 17.09.2026 ohne Peer Review; die Details stehen im Eintrag auf arXiv.
Häufige Fragen
Was ist SafeHarness?
Ein Aufsatz für Coding-Agenten, der Roboterbewegungen um Hindernisse herum plant und die Kontaktstelle beim Greifen entsprechend wählt. Das Sprachmodell selbst wird nicht neu trainiert.
Warum kollidieren Coding-Agenten beim Greifen mit Hindernissen?
Weil sie den Abschluss der Aufgabe als Ziel behandeln und das Hindernis im erzeugten Programm nicht als Nebenbedingung auftaucht. Der Preprint verortet das bei Routenwahl und Kontaktausführung.
Wie gut schneidet SafeHarness gegenüber bisherigen Ansätzen ab?
Der Abstract nennt 71,9 % Aufgabenerfolg und 87,5 % Kollisionsvermeidung, ein Plus von 6,5 % und 27,0 % gegenüber dem bisherigen Stand der Technik.
