4546 ورقة بحثية
تقترح هذه الورقة إطار عمل للتنبؤ بالنية عبر الإنترنت يعامل حالة الهدف كمعلمة في مسألة التحكم الأمثل العكسي، مستفيداً من استراتيجية الأفق المتغير والتعلم المستند إلى التحكم لتحقيق تقدير آني دقيق ومتكيف للأنظمة ذاتية القيادة ذات الديناميكيات غير المعروفة أو المتغيرة زمنياً.
تقدم هذه الورقة MADRI، وهو إطار عمل للكشف عن الشذوذ متعدد الوسائط للتفاعل بين الإنسان والروبوت يعزز السلامة من خلال إعادة بناء ناقلات سمات ذات دلالات دلالية مستمدة من تدفقات الفيديو، وأجهزة الاستشعار الداخلية للروبوت، والرسوم البيانية للمشهد لتحديد كل من الانحرافات البيئية وانحرافات النظام الداخلية بفعالية.
تقدم هذه الورقة إطار عمل غير مرتبط بجهاز معين يجمع بين المحاكاة العضلية الهيكلية ذات المعقولية الفسيولوجية والتعلم التعزيزي لتوليد سياسات تحكم في الهياكل الخارجية قابلة للتوسع والتخصيص، تعمل على تحسين الكفاءة الأيضية وتماثل المشية لكل من الأصحاء وذوي الإعاقة دون الحاجة إلى تجارب بدنية مكثفة أو ضبط خاص بالمهام.
يُعد SafeMind إطار عمل للتحكم العشوائي القابل للتفاضل، يدمج بين دوال حاجز التحكم الاحتمالية والسياق الدلالي والمعايرة التكيفية الميتا-تكيُّفية للمخاطر لتوفير ضمانات سلامة رسمية وتحسين الرشاقة للروبوتات رباعية الأرجل التي تعمل تحت ظروف عدم اليقين.
تقترح هذه الورقة مسار عمل تدريجي لبيانات RGB+LiDAR يستفيد من نماذج الرؤية التأسيسية لنقل التصنيفات بشكل مباشر والدمج القائم على المساعدة الدلالية لـ TSDF لتوليد شبكات (meshes) عالية الدقة ومصنفة دلالياً من عمليات المسح الداخلي، مما يتغلب بفعالية على الانزياح الهندسي وندرة السحب النقطية ليتفوق على النماذج المرجعية الحالية.
يُعد LiloDriver إطار عمل للتعلم مدى الحياة يدمج النماذج اللغوية الكبيرة مع نظام توليد مخططات مدعوم بالذاكرة لتمكين التخطيط الحركي التكيفي ذي الحلقة المغلقة في سيناريوهات القيادة الذاتية ذات الحالات النادرة، محققاً أداءً فائقاً في معيار nuPlan دون الحاجة إلى إعادة التدريب.
يقدم UniLACT نموذجاً للرؤية واللغة والعمل يعتمد على المحولات (transformer-based)، والذي يستفيد من إطار عمل موحد لتعلم العمل الكامن (UniLARN) لدمج البنية الهندسية المدركة للعمق في مرحلة ما قبل التدريب، مما يحسن بشكل كبير من الأولويات المكانية وأداء المعالجة مقارنة بالنماذج المرجعية التي تعتمد على RGB فقط في كل من بيئات المحاكاة والواقع الفعلي.
تقدم هذه الورقة نهجاً للتكيف في التحكم للأنظمة ذاتية القيادة يعمل على توسيع قدراتها التشغيلية ديناميكياً للتعامل مع سيناريوهات خارج نطاق التصميم التشغيلي (out-of-ODD)، مع توفير ضمانات كمية رسمية في الوقت ذاته لضمان الأداء الموثوق في ظل الظروف غير المتوقعة.
تقترح هذه الورقة طريقة لتعلم آلات المكافأة مباشرة من مسارات الحالة والسياسة الخام دون الوصول إلى المكافآت أو الملصقات، مع تقديم إطار عمل للتعلم النشط لاستعلام امتدادات المسار بشكل تدريجي لتحسين كفاءة البيانات والحوسبة.
تُعد GraspDreamer طريقة مبتكرة تستفيد من العروض التوضيحية البشرية المُخلّقة بواسطة النماذج التوليدية البصرية لتمكين الإمساك الوظيفي بأسلوب "الصفر محاولة" (zero-shot) للروبوتات العامة، محققةً كفاءة فائقة في البيانات وقدرة عالية على التعميم دون الحاجة إلى جمع البيانات الواقعية الشاقة والمجهدة بشرياً.