Autor | Ma Xiaoning
Redaktion: Cen Feng
Am 30. September endete die IROS 2026 Hauptkonferenz in Pittsburgh, USA, und am letzten Tag wurden auch die wichtigsten Preise der diesjährigen Konferenz offiziell bekannt gegeben. Vor Ort erfuhr AI科技评论, dass der Best Paper Award in diesem Jahr schließlich an eine Forschungsarbeit über das „Langzeitgedächtnis“ von Robotern vergeben wurde. Yumin Lee, Hyoseok Ju und Giseop Kim erhielten mit《LT-Mem: Volatility-Aware Spatio-Temporal Memory for Lifelong Scene Understanding》die Auszeichnung für die beste Arbeit. Der Best Student Paper Award ging an Pei-An Hsieh, Fengjun Yang, Nikolai Matni und M. Ani Hsieh. Sie untersuchten, wie mehrere Quadrocopter-Drohnen mit den komplexen Luftströmungsstörungen zwischen sich umgehen, wenn sie in sehr geringem Abstand im Formationflug unterwegs sind. Zwei weitere besonders beachtenswerte Preise gehörten den Humanoiden. Eine Arbeit bringt humanoide Roboter dazu, echte Tennisbewegungen von Menschen zu lernen, eine andere lässt humanoide Roboter ein Tablett anheben und dabei die darauf befindlichen Objekte stabil halten, während sie auf zwei Beinen gehen. Betrachtet man die diesjährigen prämierten Arbeiten und die Best Paper Finalists gemeinsam, so finden sich auf der Liste Richtungen wie Langzeitgedächtnis, VLA, Weltmodelle, 4D-Szenenverständnis, visuo-taktile Manipulation, Flugsteuerung, humanoide Roboter, Soft-Robotik und Bio-Fertigungsrobotik. Statt lediglich zu diskutieren, welche „neue Bewegung“ Roboter wieder erlernt haben, berühren eine Reihe der diesjährigen preisgekrönten Arbeiten eine weitaus realistischere Frage: Wenn Roboter tatsächlich in reale Umgebungen eintreten, wie lässt sich dafür sorgen, dass diese Fähigkeiten dauerhaft und stabil funktionieren?
01
Bestes Paper verleiht Robotern ein „langfristiges Gedächtnis“
Wenn ein Roboter ein Jahr lang am selben Ort lebt, woran sollte er sich erinnern? Das ist die Kernfrage hinter der diesjährigen besten Arbeit der IROS. Die preisgekrönte Arbeit von Yumin Lee, Hyoseok Ju und Giseop Kim trägt den Titel „LT-Mem: Volatility-Aware Spatio-Temporal Memory for Lifelong Scene Understanding“. Für die meisten heutigen Robotersysteme bedeutet „eine Szene verstehen“ eher, die Szene im jeweiligen Moment zu verstehen. Der Roboter betritt ein Büro, sieht Tische, Stühle, einen Drucker und kann eine Szenenrepräsentation aufbauen; wird am nächsten Tag der Stuhl fortgeschafft, kann er seine Karte anhand neuer Beobachtungen aktualisieren. Genau daraus entsteht das Problem. Wenn der neue Zustand den alten fortwährend überschreibt, weiß der Roboter zwar, „wie es jetzt aussieht“, verliert aber allmählich das Wissen darüber, „wie es früher war“. LT-Mem bezeichnet dieses Phänomen als temporal amnesia, also zeitliche Vergesslichkeit. Für Roboter, die wirklich langfristig betrieben werden, kann gerade die Vergangenheit sehr wichtig sein. Eine Wand bewegt sich kaum, ein Bürostuhl wird gelegentlich verschoben, die Tasche einer Person kann jeden Tag an einer anderen Stelle auftauchen, und ein Parkplatz zeigt möglicherweise eine gewisse periodische Belegungsroutine. Der Roboter muss diese Dinge nicht nur kennenlernen, sondern auch wissen, was sich verändert, wie oft es sich verändert und wie es sich in der Vergangenheit verändert hat. LT-Mem hat daher nicht einfach das Modell weiter vergrößert, sondern eine mehrschichtige Langzeitgedächtnisstruktur entworfen, die aus den drei Ebenen Live Memory, Delta Memory und Meta Memory besteht. Die Live Memory speichert den aktuellen Zustand der Welt, die Delta Memory zeichnet auf, welche Veränderungen in der Szene stattgefunden haben, und die Meta Memory fasst darüber hinaus aus der Langzeithistorie Muster zusammen. Ein besonders wichtiger Begriff in diesem System ist Volatility, also die Veränderlichkeit. Der Roboter beurteilt anhand der Häufigkeit, mit der sich ein Objekt historisch verändert hat, ob es eine relativ stabile Umgebungskomponente oder ein häufig wechselndes Objekt ist, und entscheidet entsprechend, wie er sein Gedächtnis organisieren soll. Das Problem, vor dem der Roboter steht, ist damit nicht mehr nur „Wo ist der grüne Stuhl?“, sondern kann weiter werden zu: „Wo ist dieser grüne Stuhl in der Vergangenheit alles aufgetaucht?“, „Wann ist dieser Parkplatz am ehesten frei?“ oder „Ist die Position dieses Objekts stabil genug, um als Referenz für die langfristige Navigation zu dienen?“ Das ist auch ein wichtiger Unterschied zwischen lifelong scene understanding und gewöhnlichem Szenenverständnis. Der Roboter sieht sich nicht länger einem einzelnen Standbild gegenüber, sondern einer Welt mit Geschichte. Letztlich setzte sich LT-Mem unter den 10 diesjährigen Best Paper Finalist durch. Bis zu einem gewissen Grad spiegelt dieses Ergebnis auch ein zunehmend konkreter werdendes Problem der Robotikforschung wider. Wenn Roboter künftig wirklich mehrere Monate oder sogar Jahre am Stück arbeiten sollen – wie sollten sie dann die Zeit verstehen?02
Von „dicht am Flug" bis hin zu Tennis spielen und Tabletts servieren
„Während es beim Best Paper um Zeiträume geht, die in Monaten oder sogar Jahren gemessen werden, befasst sich der diesjährige Best Student Paper mit einem Problem, das sich in Millisekunden abspielt. Pei-An Hsieh, Fengjun Yang, Nikolai Matni und M. Ani Hsieh erhielten mit „Flatness-Preserving Residual Learning for Real-Time Tight Quadrotor Formation Flight“ den IROS 2026 Best Student Paper Award. Formationen von mehreren Drohnen zu fliegen ist kein neues Problem – wirklich schwierig ist die Frage, was zu tun ist, wenn sie sich einander sehr stark annähern. Der Abwindstrom von Quadrotern beeinflusst benachbarte Fluggeräte. Wenn der Abstand zwischen den Drohnen weiter verringert wird, werden diese komplexen aerodynamischen Interaktionen rasch unvernachlässigbar. Die Forscher führten daher physics-informed residual dynamics learning ein, bei dem ein Lernmodell diejenigen aerodynamischen Effekte kompensiert, die sich mit herkömmlichen Dynamikmodellen nur schwer genau beschreiben lassen, während die differential flatness des Systems erhalten bleibt, sodass weiterhin effiziente Methoden für Trajektorienplanung und Regelung genutzt werden können. Diese Arbeit gelte zugleich als Best Paper Finalist und erhielt schließlich den Best Student Paper Award. Doch die Roboter auf der diesjährigen Preisverleihung, die von gewöhnlichen Lesern am leichtesten zu verstehen sind, sind wohl zwei andere: Denn einer spielt Tennis, und einer trägt ein Tablett. Zhang Zhikai, Haofei Lu, Yunrui Lian, Ziqing Chen, Yun Liu, Chenghuai Lin, Han Xue, Zeng Zicheng, Zekun Qi, Shaolin Zheng, Qing Luan, Jingbo Wang, Junliang Xing, Wang He, Li Yi und weitere erhielten mit „Learning Athletic Humanoid Tennis Skills from Imperfect Human Motion Data“ den Best Entertainment and Amusement Paper Award. Tennis ist für humanoide Roboter eine äußerst anspruchsvolle Ganzkörperbewegungsaufgabe. Es geht nicht nur darum, mit einem Roboterarm den Schläger zu schwingen – der Roboter muss auch den ankommenden Ball beobachten, seinen Körper bewegen, den Schwerpunkt verlagern, den Zeitpunkt des Schlags steuern und dabei Beine, Rumpf und Arme koordinieren. Eine zentrale Frage dieser Arbeit steht bereits im Titel: Imperfect Human Motion Data. Bewegungsdaten echter Menschen sind nicht immer vollständig, standardisiert und präzise. Würde man für das Erlernen jeder einzelnen Sportfertigkeit umfangreiche hochwertige Motion-Capture-Daten neu erheben müssen, würde die Datenerhebung selbst zum wichtigen Engpass bei der Erweiterung der Fähigkeiten humanoider Roboter. Diese Arbeit versucht, den Roboter aus nicht perfekten menschlichen Bewegungsdaten Bewegungsfähigkeiten zu entnehmen und zu kombinieren, um die Tennisaufgabe schließlich auf einem humanoiden Roboter zu realisieren. Die andere preisgekrönte Arbeit wirkt dagegen nicht ganz so „spektakulär“ – der Roboter läuft lediglich mit einem Tablett in der Hand. Anlun Huang, Zhenyu Wu, Soofiyan Atar, Yuheng Zhi und Michael C. Yip erhielten mit „SteadyTray: Learning Object Balancing Tasks in Humanoid Tray Transport Via Residual Reinforcement Learning“ den Best Paper Award on Mobile Manipulation. Doch „gehen können“ und „mit etwas in der Hand gehen“ sind eigentlich völlig unterschiedliche Problemstellungen. Beim Gehen erzeugen zweibeinige Roboter unweigerlich Körperchwankungen und Stöße. Ist der Gegenstand auf dem Tablett nicht befestigt, werden diese Störungen direkt auf ihn übertragen. Dass der Roboter selbst nicht umfällt, bedeutet nicht, dass die Tasse nicht zu Boden fällt. Der Ansatz von SteadyTray besteht nicht darin, ein großes Modell neu zu trainieren, das alle Probleme in einem löst, sondern locomotion und Nutzlaststabilisierung zu trennen. Eine bereits vorhandene unterkörperbasierte Policy übernimmt das Gehen, während eine zusätzliche residual policy lernt, wie sie mithilfe von Oberkörperbewegungen die Störungen ausgleicht, die auf das Tablett wirken. Wofür dies steht, ist auch ein deutlicher Wandel der humanoiden Robotik in den letzten Jahren: Die Forschung entwickelt sich von reiner locomotion weiter hin zu loco-manipulation – Roboter müssen nicht nur ihren eigenen Körper bewegen, sondern während der Bewegung auch Aufgaben erledigen."03
Navigation, Kleidung, Landwirtschaft und Unterwasserarbeit —
Robotier betreten eine konkretere Welt
Wenn langfristiges Gedächtnis, humanoide Roboter und Drohnen die auffälligsten Richtungen der diesjährigen Preisverleihung repräsentieren, dann zeigen die übrigen Spezialpreise, in wie viele unterschiedliche reale Umgebungen Roboter inzwischen vordringen. „VL-Nav: A Neuro-Symbolic Approach for Reasoning-Based Vision-Language Navigation“ von Yi Du, Taimeng Fu, Zhipeng Zhao, Shaoshu Su, Zitong Zhan, Qiwei Du, Zhuoqun Chen, Bowen Li und Chen Wang erhielt den Best Paper Award on Cognitive Robotics. Diese Arbeit zielt auf die in den letzten Jahren sehr bedeutende Vision-Language Navigation. Die Roboternavigation entwickelt sich vom klassischen „von Punkt A nach Punkt B bewegen“ zunehmend dahingehend, dass Roboter auf Basis sprachlicher Beschreibungen die Umgebung, Objekte und räumliche Beziehungen verstehen und erst dann handeln. VL-Nav wählt einen neuro-symbolischen Weg und versucht, die leistungsstarke Wahrnehmungsfähigkeit neuronaler Netze mit strukturierter symbolischer Schlussfolgerung zu kombinieren. Ein weiteres ausgezeichnetes Papier gestaltete sogar einen Gegenstand neu, den wir täglich verwenden – den Reißverschluss. „Design, Modeling, and Performance of a Robotic Zipper for Self-Donning Clothing“ von Amanda Weckerly, Wooseok Kim, Megan Coram, Ellen Li, Sophie Lin, Gabriel Unger, Isabella Szabo, Allison M. Okamura und Cynthia Sung erhielt den Best Paper Award on Robot Mechanisms and Design. Das Interessante daran ist, dass die Forscher nicht darauf abzielen, Roboter immer komplexer zu machen, sondern umgekehrt die physische Welt selbst neu gestalten, um Kleidung besser für das automatische Anziehen geeignet zu machen. Das zeigt auch eine Seite der Robotik, die sich stark von reiner KI-Forschung unterscheidet: Um ein Problem zu lösen, braucht es nicht unbedingt ein größeres Modell – manchmal ist ein besseres mechanisches Design die Antwort. Im Bereich Agrarrobotik erhielt „SSL-Semantic-NBV: A Self-Supervised Learning-Based NBV for Target-Aware 3D Reconstruction in Agricultural Robotics“ von Jianchao Ci, Katarina Smolenova, Xin Wang, Axel Streit, Eldert J. van Henten und Gert Kootstra den Best Paper Award on Agri-Robotics. Diese Arbeit befasst sich mit dem Next-Best-View-Problem bei der 3D-Rekonstruktion in landwirtschaftlichen Szenarien. Der Roboter soll nicht ziellos weiter aufnehmen, sondern beurteilen, wohin er sich als Nächstes bewegen muss, um die wertvollsten neuen Informationen über das Ziel zu erhalten. Im Bereich Unterwasserrobotik erhielt „Contact-Aided Factor-Graph Localization for Underwater Sampling“ von Michele Grimaldi, Yosaku Maeda, Hitoshi Kakami, Ignacio Carlucho, Yvan R. Petillot und Tomoya Inoue den Best Paper Award on Safety, Security, and Rescue Robotics. In der Unterwasserumgebung, wo GPS und stabile visuelle Informationen begrenzt sind, versuchen die Forscher, die Kontakte des Roboters mit der Umgebung zur Unterstützung der Lokalisierung zu nutzen. Für einen realen Roboter kann „was er berührt hat“ selbst zu einer Wahrnehmungsinformation werden. Darüber hinaus erhielt „Acoustic-Aware Texture Optimization for Ultrasound-Based Capsule Pose Estimation“ von Yizhao Qian, Yuzhuo Wang, Chenxi Liu, Jiayuan Luo, Wenwei Gao, 袁奕萱, 孟庆虎 und Li Liu den Best Application Paper Award. Im Bereich Industrierobotik erhielt „Picking Bins Empty: A Hierarchical Hybrid Approach with Online Self-Learning of Grasp Points for Reliable Industrial Bin-Picking“ von Florian Töper, Samarth Kishor Yelvande, Jan Niklas Ewertz, Rudolph Triebel und Peter Ohlhausen den Best Paper Award for Industrial Robotics Research for Applications. Sein Titel ist besonders direkt: Picking Bins „Empty“ – also das Erfassen ins Leere. Was Industrieroboter wirklich beweisen müssen, ist nie nur „Ich habe einmal erfolgreich gegriffen“, sondern ob sie angesichts von Verdeckungen, Stapelungen, Poseänderungen sowie der durch jeden einzelnen Greifvorgang entstehenden neuen Zustände das Greifen kontinuierlich fortsetzen können, bis die Box tatsächlich geleert ist.04
10 Kandidaten für die besten 10 Arbeiten,
Was belohnt die Robotikforschung?
Den Best Paper Award gewann letztlich nur LT-Mem, aber die 10 Beiträge, die es in die Endrunde geschafft haben, zeigen vielleicht besser, womit sich der IROS 2026 derzeit beschäftigt. Neben LT-Mem und der Quadrocopter-Formationarbeit, die den Best Student Paper Award gewann, gibt es die Shallow-π-Forschung von Boseong Jeon, Yunho Choi und Taehan Kim zum Knowledge Distillation bei Flow-based VLA. Die Arbeit von Yuhao Zhou, Sheeraz Athar, Zhixian Hu, Pinghao Huang, Yunzhu Li, Juan Wachs und Yu She mit dem Titel „VTAP Gripper: Synergizing Fingertip Sensing and a Visuo-Tactile Active Palm for Dexterous In-Hand Manipulation“ kombiniert fingertip sensing mit einer visuo-tactile active palm und zielt auf deutlich komplexere geschickte In-Hand-Manipulation. Maximilian Luz, Thomas Nürnberg, Yakov Miron und Abhinav Valada treiben mit „Streaming Gaussian Encoding for 4D Panoptic Occupancy Tracking“ die Gauß-Darstellung bis zum Verständnis dynamischer 4D-Szenen voran. Yohan Choi, Min-Jun Kim, Jin-Sung Kim, Yong-Jae Kim und Youn-Hee Han wenden in „DAWN: Noise-Robust Quadruped Parkour Via Depth-Denoising World Models“ das Depth-Denoising World Model auf Parkour von Vierbeinern an. Mehrere weitere Kandidatenarbeiten befassen sich mit 3D-Rekonstruktion von Glasoberflächen, EEG-EMG-Multimodalfusion, magnetischen Soft-Robotern sowie roboterassistierter Implantation von biogefertigtem Gewebe. So setzt sich Jiamin Zheng, Jingwen Yu, Guangcheng Chen und Hong Zhangs Arbeit „Enhancing Glass Surface Reconstruction Via Depth Prior for Robot Navigation“ direkt mit dem seit langem sehr kniffligen Problem von Glasoberflächen in der Robotervisualistik auseinander. Bin Wang, Shengming Luo, Jiansheng Du, Yuanbiao Ma, Xuanyu An und Qianqian Wangs „Autonomous Multimodal Locomotion Control of a Magnetic Strip Soft Robot“ richtet den Blick auf magnetische Soft-Roboter, deren Struktur und Fortbewegungsweise vollkommen anders sind. SeungTaek Hong, Jaewon Byun, Daekeun Kim, Jinah Jang und Keehoon Kims „Toward Autonomous Biofabricated Tissue Implantation: A Non-Contact Robotic Manipulation System for Soft and Fragile Modules“ führt Roboter darüber hinaus in Szenarien der Handhabung weichen, zerbrechlichen biogefertigten Gewebes. Das Interessanteste an dieser Liste ist gerade, dass kein einziger technischer Ansatz alle Roboterprobleme beherrscht. VLA, World Model, Memory, Gaussian, Visuo-Tactile und Residual Learning treten gleichzeitig auf, und zahlreiche Arbeiten beschäftigen sich weiterhin ernsthaft mit Aerodynamik, Kontakt, mechanischen Strukturen, Soft-Materialien und Echtzeitregelung. In der Robotik löst ein größeres Modell nicht automatisch alle Probleme.05
Wenn Robote wirklich in die reale Welt einziehen
Neben den Paper-Awards kündigte das IROS 2026 auch eine Reihe von individuellen Auszeichnungen an. Zhidong Wang von der Chiba Institute of Technology in Japan erhielt den IROS Distinguished Service Award; laut Konferenz wurde die Auszeichnung für seine langjährigen Beiträge zur Organisation der IROS-Konferenzen verliehen. Roberto Martin-Martin von der UT Austin und Roberto Calandra von der TU Dresden erhielten den Toshio Fukuda Young Professional Award. Die Begründung für den Ersteren konzentrierte sich auf learning-based manipulation, contact-rich control und physically interactive robot systems; Letzterer wurde für sample-efficient robot learning sowie für Beiträge wie die Einführung fortschrittlicher taktiler Wahrnehmung in die Robotik-Intelligenz ausgezeichnet. Ralph Hollis erhielt den Emeritus Keynote Award for Research Achievement; die Konferenz hob dabei besonders seine langjährigen Beiträge zur Robotik-Forschung sowie die Ausbildung mehrerer Generationen von Robotik-Forschern hervor. Darüber hinaus erhielten Alper Yegenoglu und Ariyan Bighashdel den Outstanding Associate Editor Award, und Dingsheng Luo sowie Long Zeng erhielten den Outstanding Reviewer Award. Betrachtet man diese individuellen Auszeichnungen zusammen mit den Paper-Awards, so ist die diesjährige IROS-Preisträgerliste kein konzentrierter Sieg eines bestimmten Modells oder einer einzigen Richtung. LT-Mem beginnt, das Langzeitgedächtnis von Robotern zu verarbeiten, DAWN wendet Weltmodelle auf die Fortbewegung vierbeiniger Roboter an, der VTAP Gripper treibt die Verschmelzung von Vision und Tastsinn voran, und humanoide Roboter beginnen, sich komplexen Aufgaben wie Tennis und dem Tragen von Tabletts zu stellen. Gleichzeitig dringen Roboter in Felder, Fabriken und Unterwasserumgebungen vor und sehen sich mit komplexeren realen Objekten wie Glas, Kleidung und Weichgewebe konfrontiert. Diese Arbeiten verfolgen unterschiedliche technische Ansätze, weisen jedoch gemeinsam auf einen Wandel hin: Die Robotik-Forschung bewegt sich von „dem Erwerb einer Fähigkeit“ weiter in Richtung „der dauerhaften Nutzung dieser Fähigkeit in der realen Welt“. Wenn man in den Auszeichnungsergebnissen des IROS 2026 einen gemeinsamen roten Faden sucht, dann ist es wohl nicht einfach die Aussage, dass „embodied intelligence weiter an Aufmerksamkeit gewinnt“. Wenn Roboter tatsächlich in die reale Welt vordringen, benötigen sie nicht nur ein größeres Modell, sondern müssen sich auch an die Vergangenheit erinnern, Veränderungen verstehen, Kontakt wahrnehmen und zugleich ihren Körper unter realen dynamischen Zwängen stabil steuern. Vom Gehen über Tennis spielen und das Tragen von Tabletts bis hin zur langfristigen Erfassung einer sich ständig verändernden Welt – Roboter entwickeln sich von der Präsentation einer Fähigkeit hin zu einem vollständigeren System.Zur Erleichterung des Austauschs und der Weitergabe von Konferenzinformationen untereinander haben wir eigens eine IROS-Gruppe eingerichtet. 2026 Teilnehmer-Gruppe für den Austausch! Wenn du der Gruppe beitrittst, schaltest du diese „Vorteile“ frei?
Konferenz-Info-Hub: Einreichungs-DDL, Formatrichtlinien, Review-Fortschritt … wichtige Termine werden Ihnen umgehend zugestellt, damit Sie keine Deadline mehr verpassen – Ihre Einreichungsvorbereitung sitzt sicher.
Fachkollegen-Treff: Kolleginnen und Kollegen aus allen Regionen sind in der Gruppe, um Erfahrungen auszutauschen, Ideen zu entwickeln und Kontakte aufzubauen – auf dem Weg der Forschung gehen wir gemeinsam.
Forschungs-Tankstelle: Neueste Forschungsergebnisse und aktuelle Trendthemen werden in Echtzeit synchronisiert – abgestimmt auf das Konferenzthema hilft sie dir, den Einreichungsprozess zu klären und deiner Paper-Idee voll aufzutanken.
Vor-Ort-Support-Gruppe: (ausschließlich während der Konferenz geöffnet):Auch am Veranstaltungsort musst du nicht nervös sein –
Routennavigation: Verteilung der Veranstaltungsorte, wie man zu den Vortragssälen kommt – jederzeit in der Gruppe fragen;
Gemeinsame Lektüre der Themen: Diskussionen über beliebte Sessions und Keynotes – verpasstes kann nachgeholt werden;
Poster-Kompilation: sorgfältig zusammengetragene Highlights der Poster vor Ort, mit einem Klick speichern und nichts verpassen;
Treffpunkt-Plaza: Essen treffen, Interviews austauschen, Netzwerken … ob plaudern, zusammenarbeiten oder sich persönlich treffen – einfach in der Gruppe vorschlagen.
? Zugang zur Gruppe: Scanne den QR-Code, um der Gruppe beizutreten, oder füge die WeChat-ID Luyoyo_2026 hinzu, mit dem Hinweis: ECCV + Einrichtung/Schule + Name + Forschungsrichtung.
In Wissenschaft und Technik sind Informationsvorsprünge sehr wichtig.
Komm, sei gemeinsam einen Schritt schneller!
Steig ein und sieh dir mit uns die Highlights der weltweit führenden KI-Konferenzen
Exklusiv verfügbar:
Präsentationsfolien der Experten
Vollständige Texte der Konferenzberichte
Interpretationen beliebter Paper
Interview mit einem aufstrebenden Wissenschaftstalent
Scannen Sie den obigen QR-Code
oder klicken Sie auf „Weiterlesen“, um dem Fachbereich von Leifeng Wang (WeChat-Kanal: 雷峰网) zu folgen.
Originalartikel von Leifeng Wang; eine Vervielfältigung ohne Genehmigung ist untersagt. Details sieheHinweise zum Nachdruck。