4796 ورقة بحثية
تقدم هذه الورقة إطاراً هجيناً يستخدم نموذجاً هيكلياً لنموذج عالمي (world model) والتنبؤ المطابق لتحقيق تصنيف في الوقت الفعلي، ومستقل عن السياسات، لنتائج الفحص الذاتي إلى نجاحات، أو إخفاقات معروفة، أو حالات شاذة، مما أظهر دقة تتجاوز 90% وسرعة في الكشف تفوق المراقبين البشريين في المواقع الصناعية.
تقدم هذه الورقة SIT-LMPC، وهي خوارزمية للتحكم التنبؤي بالنماذج القائم على التعلم المعلوماتي النظري الآمن، والتي تستفيد من التدفقات الطبيعية لتعزيز نمذجة عدم اليقين والتنفيذ المتوازي المسرع بواسطة وحدة معالجة الرسومات لتحسين الأداء بشكل تكراري مع ضمان السلامة في البيئات المعقدة وغير المستقرة.
تقدم هذه الورقة إطار عمل للتحكم التنبئي بالنموذج غير المستوي للمركبات ذاتية القيادة، والذي يستخدم عملية غاوس المتناثرة العودية لتعلم الديناميكيات المتبقية والتكيف مع التضاريس ثلاثية الأبعاد المعقدة، مما يظهر دقة تتبع عالية من خلال التحكم باستخدام نموذج التنبؤ بالنماذج المعتمد على العشوائية (MPPI) في بيئة "إيزاك سيم" (Isaac Sim) مخصصة.
تقترح هذه الورقة نظاماً جديداً لتقدير الموقع ورسم الخرائط المتزامن (SLAM) متعدد الوكلاء وبدون علامات، يستفيد من تقدير الوضعية سداسية الأبعاد القائم على التعلم العميق للتغلب على تحديات ربط البيانات وتحسين دقة التحديد النسبي للمواقع، وقد تم التحقق من ذلك من خلال تجارب في بيئة مماثلة لبيئة كوكبية.
تقدم هذه الورقة إطار عمل لتحديد هوية الأنظمة البايزية القابل للتوسع، والذي يقدر مسارات حالة الروبوت والمعلمات الفيزيائية بشكل مشترك عبر دمج القيود الفيزيائية ونماذج الاحتكاك كقيود تساوي صلبة، مستفيداً من المندرجات القائمة على الطاقة وعمليات ريكاتي التكرارية الفعالة لتحقيق دقة تقدير فائقة وتحسين أداء التحكم التنبئي بالنماذج في البيئات الصعبة.
تقدم هذه الورقة بنية معدلة لنموذج DreamerV2 للتعلم المعزز، تدمج المتجهات السطحية (surface normals) وتعزيزاً لزيادة البيانات لتمكين الروبوت من التعميم في عملية بسط القماش في الهواء عبر مختلف الأشكال والأحجام والأنماط، وذلك من خلال كل من المحاكاة والنشر الفيزيائي المباشر (zero-shot).
يُعد EgoScale إطار عمل يستفيد من أكثر من 20,854 ساعة من فيديوهات البشر من منظور الشخص الأول واسعة النطاق لتدريب نموذج رؤية ولغة وحركة (Vision Language Action)، مما يرسخ قانون قياس لوغاريتمي خطي بين حجم البيانات والأداء مع تمكين استراتيجية نقل على مرحلتين تعزز بشكل كبير معدلات نجاح التلاعب الماهر والتكيف بلقطة واحدة على نماذج روبوتية متنوعة.
تقترح الورقة البحثية خوارزمية ETGL-DDPG، وهي نسخة محسنة من خوارزمية التدرج السياساتي الحتمي العميق تدمج استكشاف -greedy، ومخزن تجربة مزدوج (GDRB)، وعوائد أطول -خطوة لمعالجة تحديات المكافآت الشحيحة في مهام التحكم المستمر بفعالية، مما يظهر أداءً فائقاً على الأساليب المتطورة.
تقدم هذه الورقة صياغة جديدة للبرمجة الصحيحة لجدولة الروبوتات المثلى على الرسوم البيانية المسارية، وتثبت أن خوارزمية البرمجة الديناميكية (PA) تتفوق بشكل كبير على النماذج المرجعية الجشعة والعشوائية من خلال إنتاج جداول زمنية خالية من التصادم وقريبة من المثالية وبسرعة تزيد بعدة رتب مقدارية عن نهج البرمجة الصحيحة الأمثل.
تقدم هذه الورقة نهجين قائمين على التعلم، وهما التعلم التعزيزي والتعلم بالتقليد، للتوجيه الديناميكي في أقمار مراقبة الأرض، واللذين يتفوقان على الأساليب الاستدلالية الحالية بنسبة 10.0% و13.7% على التوالي في تحسين جمع البيانات العلمية.