4461 ورقة بحثية
تقترح هذه الورقة حقول الزمن العصبية الهرمية (H-NTFields)، وهو إطار عمل تحت الإشراف الضعيف يدمج القيود الطوبولوجية لخارطة الطريق المتفرقة مع التنظيم القائم على المعادلات التفاضلية الجزئية المستنيرة بالفيزياء للتغلب على قيود القابلية للتوسع والوقوع في النهايات الصغرى التي تعاني منها الأساليب الحالية في تخطيط الحركة المعقد وعالي الأبعاد.
تقدم هذه الورقة نظرة عامة على ورشة عمل الرؤية الحاسوبية البحرية الرابعة (MaCVi) في مؤتمر CVPR 2026، حيث تفصل تحديات معايير القياس الخمسة التي تركز على دقة التنبؤ والجدوى في الوقت الفعلي، إلى جانب مجموعات البيانات المرتبطة بها، وبروتوكولات التقييم، والنتائج الكمية، والرؤى التقنية من الفرق الأعلى أداءً.
تقدم هذه الورقة إطار عمل جديد للتحكم البصري (visual servoing) للمناولات الروبوتية، يستخدم مساراً لجمع البيانات يعتمد على تقنية "الترميم" (inpainting) لتوليد صور تدريب تلقائية التسمية وبدون علامات، مع نموذج ترميم وقت التشغيل مدمج مع مرشح كالمان غير المعطر (Unscented Kalman Filter) لتحقيق كشف ونظام تحكم في النقاط المفتاحية يتسم بالمتانة وخالٍ من النماذج تحت ظروف الرؤية الكاملة والانسداد الجزئي.
تقترح هذه الورقة طريقة لأخذ عينات الحدود مسترشدة بمبدأ بونترياغين الأقصى لجمع البيانات الحرجة للسلامة بكفاءة من أجل تعلم دوال قيمة حاجز التحكم القائمة على إمكانية الوصول لهاملتون-جاكوبي، مما يؤدي إلى تحسين التقارب والدقة والأداء في الوقت الفعلي لمرشحات السلامة التنبؤية في الأنظمة ذاتية القيادة عالية الأبعاد.
تقترح هذه الورقة نماذج تسلسلية قائمة على الانتشار للتعلم الميتا-سياقي (in-context meta-learning) لديناميكيات الروبوت، مظهرةً تفوقها في المتانة تجاه تحولات التوزيع مقارنة بالنماذج الأساسية الحتمية، مع بقائها قابلة للتطبيق للتحكم في الوقت الفعلي من خلال أخذ العينات ذات البداية الدافئة (warm-started sampling).
تقدم هذه الورقة مسحاً موحداً وتقييماً معيارياً منهجياً لطرق الكينماتيكا العكسية الكلاسيكية والقائمة على التعلم لتجنب النقاط المنفردة، كاشفةً أنه في حين تفشل النهج التعلمية البحتة عند الأهداف جيدة التكيّف، فإن البنى الهجينة التي تجمع بين الحلول القائمة على البيانات والتحسين الكلاسيكي تحقق أداءً قوياً.
تستقصي هذه الورقة الآليات الكامنة وراء التدريب المشترك بين المحاكاة والواقع لسياسات الروبوت التوليدية من خلال تحديد والتحقق من تأثيرين جوهريين — محاذاة التمثيل المهيكل وإعادة وزن الأهمية — اللذين يفسران تباينات الأداء ويحفزان منهجية بسيطة للتحسين على المقاربات السابقة.
تتقصى هذه الورقة تجريبياً العلاقة بين كينماتيكا التفاعل بين الروبوت المتنقل والمشاة والراحة الذاتية، مبرهنةً على أن متنبئاً مركباً يستخدم متغيرات كينماتيكية متعددة يمكنه تحديد مشاعر المشاة بفعالية لتمكين الملاحة الروبوتية الأكثر امتثالاً اجتماعياً.
تقدم هذه الورقة البحثية VLAJS، وهي طريقة تعزز التعلم المعزز للمناولة الروبوتية باستخدام نماذج الرؤية واللغة والعمل (Vision-Language-Action models) كإرشاد عابر ومخفف لتحسين الاستكشاف وتخصيص الائتمان، مما يحقق كفاءة أعلى بكثير في استهلاك العينات ونقلاً قوياً من المحاكاة إلى الواقع مقارنة بالنماذج المرجعية القياسية.
تقدم هذه الورقة FIDeL، وهو نموذج مستقل عن السياسة يجمع بين الكشف الإحصائي عن الشذوذ والترشيح الدلالي عبر نماذج الرؤية واللغة للتمييز بدقة بين الإخفاقات الحقيقية والانحرافات الحميدة في التعلم بالتقليد، والذي تم التحقق من صحته بواسطة مجموعة بيانات BotFails الجديدة والأداء المتفوق على النماذج المرجعية الحالية.