4754 ورقة بحثية
تقدم هذه الورقة استراتيجية لتحسين مجموعة مهام الحركة باستخدام التحليل العنقودي لتحديد مجموعة فرعية دنيا وممثلة من المهام لتدريب نماذج التعلم العميق، مما يتيح التقدير الدقيق لعزوم مفصل الورك للتحكم في الهيكل الخارجي مع تقليل متطلبات جمع البيانات بشكل كبير.
تقترح هذه الورقة إطار عمل للتحسين المشترك للاستشعار والاتصال وسرعة الاستكشاف في أنظمة الملاحة ورسم الخرائط وبناء المواقع المتزامنة (SLAM) طويلة الأمد لتقليل استهلاك الطاقة، وهو ما تم التحقق من صحته من خلال عمليات المحاكاة والتجارب التي تتضمن روبوتات مجهزة بتقنية ليدار (LiDAR) تقوم بنقل البيانات إلى مركز إعادة بناء سحابي يعتمد على التعلم العميق.
تقترح هذه الورقة طريقة تستفيد من نماذج الرؤية واللغة سابقة التدريب لتعلم نماذج عالم رمزية، مدمجة ومجردة، من عروض بصرية محدودة، مما يتيح التعميم الصفري والتخطيط طويل المدى لمهام روبوتية معقدة عبر أجسام وبيئات وأهداف جديدة.
تقترح الورقة البحثية سياسة استقرار الانتشار (DSP)، وهي إطار عمل يعتمد على الانتشار مكون من مرحلتين يُمكّن الروبوتات الجراحية من التعلم من المسارات غير المكتملة أو الفاشلة عن طريق التدريب مبدئيًا على بيانات نظيفة، ثم التحديث المستمر باستخدام مزيج مصفى من العروض التوضيحية النظيفة والمضطربة لتحقيق أداء قوي في المهام الجراحية المؤتمتة.
تُعد ViLAM طريقة مبتكرة تعمل على تقطير الاستدلال البصري اللغوي من النماذج اللغوية البصرية الكبيرة إلى خرائط انتباه مكاني لتوجيه الملاحة الروبوتية المتوافقة اجتماعياً، محققةً تحسينات كبيرة في معدلات النجاح من خلال التحقق في العالم الحقيقي.
تقارن هذه الورقة بين التحسين البايزي، والبحث الشامل، والخوارزميات الجينية، والانحدار الاشتقاقي العشوائي لتحسين وضعيات قواعد الروبوتات الصناعية، وتجد أنه بينما تقلل جميع الطرق من وقت الدورة، يحقق الانحدار الاشتقاقي العشوائي أعلى معدل نجاح في المهام الواقعية، بينما تحقق الخوارزميات الجينية أدنى التكاليف النهائية.
تقدم هذه الورقة إطار عمل للتحسين الشامل يحدد بشكل مشترك تكوين الروبوتات النمطية، وموضع القاعدة، والمسار لتقليل زمن الدورة، محققاً خفضاً يصل إلى 25% في مدة المهمة ومعدلات جدوى أعلى بكثير مقارنة بالتحسين القائم على التكوين فقط، مع التحقق من نجاح النشر في العالم الحقيقي في تسع حالات من أصل عشر حالات.
تقدم الورقة البحثية ViTaPEs، وهي بنية قائمة على المحولات (transformer) تستخدم استراتيجية ترميز موضعي مبتكرة ثنائية المرحلة لدمج الوسائط البصرية واللمسية بفعالية، محققةً أداءً هو الأفضل في فئتها وقدرة على التعميم الصفري عبر مهام التعرف والإمساك الروبوتي المتنوعة دون الاعتماد على نماذج الرؤية واللغة سابقة التدريب.
يُعد ActivePusher إطار عمل مبتكر يعزز كفاءة البيانات وموثوقية التخطيط في عمليات المناولة غير القابضة من خلال الجمع بين نمذجة الفيزياء المتبقية والتعلم النشط القائم على عدم اليقين لتحديد أولويات جمع البيانات المعلوماتية وتوجيه أخذ عينات التحكم نحو إجراءات أكثر موثوقية.
تقدم هذه الورقة نهجاً غير خاضع للإشراف يستفيد من الاستدلال بين الرؤية واللغة والتجميع لاكتشاف تصنيفات متماسكة دلالياً للأعطال تلقائياً من سجلات النشر الروبوتية واسعة النطاق، مما يتيح تحليل الأعطال القابل للتوسع، وجمع البيانات المستهدف، وتحسين المراقبة أثناء التشغيل عبر مجالات متنوعة.