4796 ورقة بحثية
تقدم هذه الورقة البحثية إطار عمل "Fast Image-to-Neural Surface" (FINS)، وهو إطار عمل خفيف الوزن يعيد بناء الأسطح الضمنية عالية الدقة وحقول وظائف المسافة الموقعة (SDF) بكفاءة من صورة واحدة خلال ثوانٍ معدودة عبر الاستفادة من شبكات الهاش متعددة الدقة والنماذج التأسيسية المدربة مسبقاً، متفوقاً بذلك على الطرق الحالية في السرعة والدقة لتطبيقات الروبوتات.
تقدم هذه الورقة دالة حاجز بارابولية ديناميكية (DPCBF) تقوم بتشكيل قيود السلامة بشكل تكيفي بناءً على المسافة والسرعة النسبية للتغلب على عدم القابلية للتحقيق والتحفظ في طرق مخروط التصادم التقليدية، مما يمكّن الروبوتات غير الهولونومية من التنقل بنجاح في البيئات الكثيفة التي تحتوي على ما يصل إلى 100 عائق ديناميكي.
تقترح هذه الورقة البحثية إطار الاستكشاف المدفوع بالمفاهيم (CDE)، وهو إطار عمل للتعلم المعزز يستفيد من نموذج رؤية-لغة مُدرب مسبقاً لتوليد مفاهيم متمحورة حول الأشياء كإشارات إشرافية مشوبة بالضجيج، باستخدام دقة إعادة بناء المفاهيم كمكافأة ذاتية لتوجيه استكشاف فعال ومستهدف في مهام التحكم البصري وتحقيق انتقال قوي إلى العالم الحقيقي.
تقترح هذه الورقة نموذجاً للتدريب المسبق والضبط الدقيق لحركة الروبوتات يستفيد من استراتيجية استكشاف غير مرتبطة بمهمة محددة لتدريب نموذج ديناميكيات عكسية للحس العميق (PIDM)، والذي يُستخدم بعد ذلك لبدء تشغيل خوارزميات الممثل-الناقد مثل PPO، مما يؤدي إلى تحسينات كبيرة في كفاءة العينات وأداء المهام عبر هياكل روبوتية متنوعة.
تقدم هذه الورقة NaviTrace، وهو معيار مرجعي عالي الجودة للإجابة على الأسئلة البصرية يتميز بأكثر من 3000 مسار ملاحة خبير عبر سيناريوهات وأنواع تجسيد متنوعة، والذي يكشف أن نماذج الرؤية واللغة الحالية لا تزال تتخلف عن الأداء البشري في التمركز المكاني وتحديد الأهداف عند تقييمها باستخدام درجة مسار جديدة مدركة دلالياً.
تُظهر هذه الدراسة أنه في البيئات متعددة الوكلاء غير المتجانسة، تعمم خوارزمية IPPO القياسية التي تم تدريبها عبر اللعب الذاتي بشكل فعال على خوارزميات الزملاء الجديدة، محققة أداءً يضاهي طرق التدريب الأكثر تعقيداً مثل "تدريب السياسة الدوار" (Rotating Policy Training) التي تعرض الوكلاء صراحةً لاستراتيجيات شركاء متنوعة.
تقدم هذه الورقة إطار عمل شامل للملاحة والتحكم للروبوتات المتنقلة واسعة النطاق التي تعمل على تضاريس عرضة للانزلاق، حيث تدمج تقدير الوضع البصري، والتحكم التنبؤي بالنموذج غير الخطي، وسياسة منخفضة المستوى قائمة على شبكة عصبية عميقة ذات متانة تكيفية، ووحدة سلامة لوغاريتمية لضمان الاستقرار الأسي الموحد والتشغيل الآمن والمتين.
تقدم الورقة البحثية Green-VLA، وهو إطار عمل منهجي مكون من خمس مراحل يجمع بين التدريب المسبق متعدد الوسائط واسع النطاق، والتكيف الخاص بالتجسيد، والتعلم المعزز لتمكين سياسة عامة واحدة من التحكم القوي في أنظمة روبوتية متنوعة، بما في ذلك الروبوت البشري Green، مع تعزيز السلامة وكفاءة المهام طويلة المدى.
تقترح هذه الورقة مخططاً للتلاعب بالبيانات عبر الإنترنت يقوم بتفكيك صور التدريب إلى مكونات مستقلة لكل من الكائن والمشهد والكاميرا، ثم يعيد تركيبها مع وضعيات مضطربة لتوليد بيانات تدريب متنوعة، مما يؤدي إلى تحسين كفاءة البيانات وأداء نماذج اكتشاف الأجسام ثلاثية الأبعاد أحادية العدسة في كل من بيئات الإشراف الكامل والجزئي.
تقترح هذه الورقة إطار عمل تكراريًا ذا حلقة مغلقة يقوم تلقائيًا بتوليد بيانات حركة عالية الجودة ومتنوعة، ويزيد من صعوبة المهمة تدريجيًا، مما يمكن سياسات التحكم في الروبوتات البشرية من التفوق بشكل كبير على النماذج المرجعية باستخدام بيانات تدريب أقل بكثير.