4546 ورقة بحثية
تقدم هذه الورقة DHFP-PE، وهو محرك ضرب وتراكم (MAC) ذو دقة مزدوجة وعائم بمسار تدفق كامل (fully pipelined) تم تنفيذه بتقنية 28 نانومتر، والذي يستخدم تقنية مبتكرة لتقسيم البتات لدعم تنسيقات FP8 وFP4 بنسبة استغلال عتادي تبلغ 100%، محققاً تخفيضات كبيرة في المساحة واستهلاك الطاقة مقارنة بالتصاميم الرائدة.
تُعد FlashSAC خوارزمية تعلم تعزيزي خارج السياسة (off-policy) سريعة ومستقرة تستفيد من النماذج الأكبر، والإنتاجية العالية للبيانات، والحد الصريح للمعايير لتقليل تحديثات التدرج مع منع تراكم الخطأ، مما يجعلها تتفوق على كل من النماذج المرجعية داخل السياسة (on-policy) وخارج السياسة (off-policy) في مهام التحكم الروبوتي عالية الأبعاد ونقل التعلم من المحاكاة إلى الواقع (sim-to-real).
تقدم هذه الورقة إطار عمل موحداً يعتمد على التعلم الصفري (zero-shot) لرسم خرائط الطرق الوعرة، والذي يستفيد من نموذج SAM2 للتقطيع (segmentation) ونموذج رؤية-لغة للاستدلال حول المناطق القابلة للقيادة باستخدام التلميحات البصرية، مما يلغي الحاجة إلى نماذج تضاريس منفصلة ومخصصة لمهام معينة مع تحقيق أداء يضاهي أحدث ما توصل إليه العلم والملاحة كاملة الحزمة.
يُعد WaterSplat-SLAM نظاماً جديداً لتحديد الموقع ورسم الخرائط في البيئات المائية باستخدام كاميرا أحادية، حيث يحقق تقديراً قوياً للوضعية ورسماً خرائطياً كثيفاً واقعياً للغاية من خلال دمج تصفية الوسيط الدلالي لتحسين التتبع وتقدير العمق، جنباً إلى جنب مع استراتيجية رندر (تصيير) موجهة دلالياً وإدارة خرائط تكيفية باستخدام خرائط غاوسية عبر الإنترنت واعية بالوسط.
يُعد ZeD-MAP إطار عمل للتصوير الجوي في الوقت الفعلي يدمج الضبط الحزمي القائم على التجميع التدريجي مع نماذج الانتشار للعمق ذات القدرة على التعميم الصفري (zero-shot) لتحقيق رسم خرائط ثلاثي الأبعاد متسق مترياً وبدقة تقل عن المتر من صور الطائرات بدون طيار فائقة الدقة، مع التغلب على قيود الاستدلال الاحتمالي والقيود الحسابية.
تقدم هذه الورقة أول إطار عمل متكامل (end-to-end) يدمج منطق الزمن الخطي (LTL) مع المحاكيات القابلة للتفاضل لتمكين التعلم المعزز القائم على التدرج بكفاءة، وذلك عبر تحويل انتقالات الأوتوماتا المنفصلة إلى مكافآت ناعمة وقابلة للتفاضل، مما يتغلب على مشكلات ندرة منطق الزمن الخطي (LTL) مع الحفاظ على الصحة الصورية وتسريع التدريب بشكل كبير في مهام التحكم المستمر المعقدة.
تقدم هذه الورقة إطار عمل عام للتحسين ثنائي المستوى يدمج بشكل تآزري بين التحكم في المستوى الأدنى، والتخطيط الكلاسيكي، والتعلم التعزيزي لتعزيز سلامة وموثوقية وقابلية تفسير الأنظمة ذاتية القيادة، وهو ما تم توضيحه تحديداً من خلال سيناريو رعاية روبوتية نمطي.
تقدم هذه الورقة مراجعة مقارنة موحدة لكل من دالة بارباري لـ CBF الاحتياطية (Backup CBF)، والدرع التنبؤي بالنموذج (Model Predictive Shielding)، ومرشحات الحارس (gatekeeper safety filters)، موضحةً علاقاتها النظرية، واختلافاتها الخوارزمية، وتحفظها المشترك فيما يتعلق بجدوى المناورة الاحتياطية.
تقترح هذه الورقة إطار عمل لتخطيط الحركة قائم على التعلم باستخدام معادلات تفاضلية عادية عصبية مشروطة بالهدف، يتم بناؤها عبر تباين ثنائي ليبشيتز (bi-Lipschitz diffeomorphisms) لضمان الاستقرار الأسي العالمي، والسلامة، وحدود أداء صريحة لمهام الملاحة بين جميع الأزواج.
تقترح الورقة البحثية نموذج مكافأة الميزة (ARM)، وهو إطار عمل يستخدم استراتيجية تسمية ثلاثية الحالات منخفضة التكلفة لتقدير الميزة النسبية بدلاً من التقدم المطلق، مما يتيح تعلماً تعزيزياً غير متصل عبر الإنترنت لمهام المناولة الروبوتية طويلة الأمد مع تدخل بشري يقترب من الصفر.