4796 ورقة بحثية
تقترح هذه الورقة خوارزمية Hybrid TD3، وهي خوارزمية تعلم تعزيزي جديدة تتعامل أصلياً مع فضاءات الأفعال الهجينة ذات المعلمات من خلال تقديم تحليل نظري دقيق لانحياز المبالغة في التقدير وهدف تعلم Q المقطوع والموزون لتحقيق استقرار أداء وتدريب فائق في مهام المناولة الروبوتية.
تقدم هذه الورقة طريقة تحسين السياسة المقيدة المتوافقة مع الميزة القائمة على التباين الكلي (TV-ACPO) للتخفيف من آثار تدهور الأداء الناتجة عن تأخر السياسة في التعلم المعزز متزامن السياسة غير المتزامن، وذلك من خلال معالجة مصادرها في التدريب الموزع وترددات التحديث العالية.
تقترح هذه الورقة طريقة جديدة للتنبؤ بمسار الطائرات بدون طيار تعتمد على الأحداث فقط، حيث تستخرج سرعة دوران المروحة مباشرة من بيانات الأحداث الخام وتدمجها في مرشح كالمان مدرك لسرعة الدوران في الدقيقة (RPM)، مما يحقق دقة تنبؤ فائقة للمدى القصير والمتوسط مقارنة بالنهج القائمة على التعلم دون الاعتماد على صور RGB أو بيانات تدريبية.
تقترح هذه الدراسة إطار تحكم هجين يعتمد على التعلم العميق وفعال حاسوبياً لروبوت هيكل خارجي بسبع درجات حرية، يستخدم شبكة عصبية مدربة للتنبؤ بعزم الدوران ومتحكم تناسبي تفاضلي (PD) لتعويض الخطأ، مما يحقق تتبعاً دقيقاً للمسار مع تقليل العبء الحسابي مقارنة بطرق التحكم غير الخطي التقليدية.
تقدم هذه الورقة خوارزمية موزعة ومدركة لعدم اليقين تتيح التوافق الجماعي لعدة روبوتات عند ارتفاع ثابت في بيئات معقدة تحت مظلة الأشجار باستخدام الاستشعار على متن الروبوت فقط، مع ضمان تجنب الاصطدام والحفاظ على التقارب دون معرفة مسبقة بالبيئة أو اتصالات صريحة.
تقدم هذه الورقة APPLE، وهو إطار عمل جديد للتعلم التعزيزي يقوم بتدريب وحدة إدراك قائمة على المحولات (transformer-based) وسياسة اتخاذ قرار بشكل مشترك لإنشاء حل متعدد الاستخدامات وعام الأغراض للإدراك النشط عبر مهام روبوتية متنوعة، بما في ذلك الاستكشاف اللمسي.
تقدم هذه الورقة نموذجاً روبو-فيزيائياً وإطار عمل تجريبياً يوضح كيف يمكن للأسراب الروبوتية بناء هياكل عشوائية ذاتياً من وسائط حبيبية متماسكة هندسياً، كاشفةً أن دك الركيزة الأولي يؤثر بشكل كبير على أداء الحفر وقوة المادة من خلال التشابك.
تقدم هذه الورقة آلية تجميع الميزات الانتباهية (AFA)، وهي آلية تجميع خفيفة الوزن تعزز متانة السياسات البصرية الحركية المدربة باستخدام تمثيلات بصرية مسبقة التدريب من خلال التعلم كيفية الانتباه انتقائياً للإشارات ذات الصله بالمهمة مع تجاهل المشتتات البصرية، مما يؤدي إلى تفوقها على النهج القياسية في البيئات المضطربة دون الحاجة إلى تعزيز بيانات مكلف أو ضبط دقيق للنموذج.
يقدم SocialNav نموذجاً تأسيسياً هرمياً للملاحة المتجسدة الواعية اجتماعياً، تم تدريبه على مجموعة بيانات ضخمة تضم 7 ملايين عينة وعلى إطار عمل مبتكر لاستكشاف التدفق الواعي اجتماعياً (Socially-Aware Flow Exploration) باستخدام تعزيز سياسة المجموعات من الدرجة الأولى (GRPO) لتحقيق أداء رائد في كل من نجاح الملاحة والامتثال الاجتماعي.
تقدم هذه الورقة AutoSpec، وهو إطار عمل يعمل تلقائياً على تحسين المواصفات المنطقية خشنة الحبيبات لتعلم التعزيز من خلال استكشاف وتعديل رسوم SpectRL البيانية لتوفير توجيه إضافي مع الحفاظ على السلامة، مما يمكن الوكلاء من حل مهام تحكم أكثر تعقيداً.