4546 ورقة بحثية
تقدم الورقة البحثية إطار عمل H-EMV، وهو إطار ذاكرة عرضية هرمي يُمكّن الروبوتات من تعلم ما يجب نسيانه من خلال التفاعل مع المستخدم، مما يحافظ على دقة عالية في الإجابة على الأسئلة مع تقليل تكاليف التخزين والحوسبة بشكل كبير من أجل نشر مستدام وشخصي طويل الأمد وقابل للتوسع.
تُثبت هذه الورقة أن التجسد الأدنى في النظام الروبوتي يعمل كسابقة هيكلية تعزز بشكل كبير من كفاءة البيانات ودقة التعلم لمفاهيم الأعداد المجردة، مع توليد تمثيلات عصبية تلقائية تشبه بيولوجياً التطور المعرفي البشري.
تقدم هذه الورقة إطار عمل يعتمد على الرؤية الحاسوبية يتيح محاكاة الحركة من الإنسان إلى الروبوت البشري بشكل آمن وفي الوقت الفعلي، وذلك عبر التقاط النقاط المفتاحية للهيكل العظمي وفرض تجنب الاصطدام من خلال طبقة دالة حاجز التحكم المصاغة كبرنامج تربيعي.
تُظهر هذه الدراسة أن نمذجة حالة السائق الشخصية وغير الاقتحامية باستخدام الإشارات الفسيولوجية متعددة الأنماط والتعلم العميق تتفوق بشكل كبير على النماذج العامة (92.68% مقابل 54% من حيث الدقة) في القيادة الذاتية في العالم الحقيقي، مما يسلط الضوء على الحاجة الماسة إلى أنظمة تكيفية تأخذ في الاعتبار التباين الفسيولوجي الفردي.
يُعد AffordSim إطار عمل محاكاة مبتكر يدمج التنبؤ بالإمكانات ثلاثية الأبعاد ذات المفردات المفتوحة في توليد البيانات الروبوتية لتمكين التدريب القابل للتوسع والصحيح دلاليًا لمهام المناولة المعقدة، كاشفًا عن فجوات أداء كبيرة في أساليب التعلم بالتقليد الحالية للأفعال التي تتطلب إمكانات، مع إظهار انتقال ناجح من المحاكاة إلى الواقع في حالة الصفر (zero-shot sim-to-real transfer).
تقترح هذه الورقة إطار عمل "اختبار الأنظمة السيبرانية الفيزيائية المؤتمت" (ACT)، وهو إطار يدمج الاختبار المستمر والمؤتمت لبرمجيات الأنظمة السيبرانية الفيزيائية مفتوحة المصدر مع المنصات الروبوتية وبنية GitHub التحتية لمعالجة نقص الاختبار القوي في البيئات متعددة المساهمين.
تقترح هذه الورقة نموذج عالم مُرتبط (GWM) يدمج المحاذاة بين الرؤية واللغة في التحكم التنبئي بالنماذج، مما يتيح تعميماً دلالياً متفوقاً بشكل كبير في التخطيط البصري الحركي مقارنة بنماذج الرؤية واللغة والعمل التقليدية، كما يتضح من خلال معدل نجاح بنسبة 87% في اختبار WISER الذي يتضمن إشارات بصرية وتعبيرات مرجعية غير مسبوقة.
يقدم StarVLA- نموذجاً مرجعياً بسيطاً ولكنه تنافسي للغاية لنماذج الرؤية واللغة والعمل (Vision-Language-Action)، يثبت أن التعقيد المعماري الأدنى المقترن بدعامة قوية لنموذج الرؤية واللغة (VLM) كافٍ لتحقيق أداء رائد عبر معايير متنوعة، متفوقاً بذلك على الأنظمة المعقدة مثل في المهام الواقعية.
تقدم هذه الورقة ثلاث طرق تخصيص مبتكرة للروبوتات الجوية ذات الدوار المائل تدمج ديناميكيات قدرة المشغلات والمراوح للقضاء على النقاط المنفردة، وتمكين الإيقاف الانتقائي للمراوح، وتحقيق تتبع للمسار أسرع بنسبة 70% مقارنة بالنهج الهندسي المتطور.
تقدم الورقة البحثية AVA-VLA، وهو إطار عمل يعزز نماذج الرؤية واللغة والعمل (Vision-Language-Action) للتحكم الروبوتي من خلال إعادة صياغة تعلم السياسات كعملية ماركوف لاتخاذ القرار تحت حالة الملاحظة الجزئية (Partially Observable Markov Decision Process) وتوظيف الانتباه البصري النشط للتركيز ديناميكياً على المناطق البصرية ذات الصلة بناءً على تاريخ المهمة، محققاً أداءً هو الأفضل في فئته (state-of-the-art) في الاختبارات المعيارية والمهام الواقعية.