829 Arbeiten
Diese Arbeit stellt ein robusteres, biologisch inspiriertes Taktiles Antennensystem für mehrgliedrige Roboter vor, das durch die Umwandlung von Deformationsdaten in diskrete Kollisionszustände eine zuverlässige Navigation in engen und komplexen Umgebungen ohne globale Umgebungsinformationen oder Echtzeit-Vision ermöglicht.
Die vorgestellte Arbeit führt den physikbasierten maschinellen Lernansatz „Inverse Resistive Force Theory" (I-RFT) ein, der es Robotern ermöglicht, durch propriozeptive Kraftmessungen bei beliebigen Gangmustern mechanische Bodeneigenschaften in granularer Umgebung präzise zu schätzen und Unsicherheiten zur Optimierung von Gang und Fußdesign zu nutzen.
Diese Studie zeigt mittels des effizienten MO-IRL-Algorithmus, dass eine einzige, subjekt- und haltungsunabhängige zeitvariierende Kostenfunktion menschliche Greifbewegungen präziser vorhersagen kann als bisherige, spezifischere Ansätze, wobei die Gelenkbeschleunigungsregulierung als dominierender Optimierungsmechanismus identifiziert wird.
Die Arbeit stellt MWM vor, ein mobiles Weltmodell für die Navigation zu Bildzielen, das durch ein zweistufiges Training mit Action-Conditioned Consistency und eine konsistenzbewusste Destillation die Vorhersagegenauigkeit bei mehreren Schritten sowie die Planungseffizienz verbessert.
Die Arbeit stellt STEP vor, ein auf Transformer-basierendes Reinforcement-Learning-Verfahren, das durch eine präferenzbasierte Abwägung von Platzierungsvorteilen und Operationszeit die Effizienz beim 3D-Kistenpacken verbessert und dabei die Bearbeitungszeit um 44 % senkt, ohne die Packdichte zu beeinträchtigen.
Dieses Paper stellt ein duales Mensch-Maschine-Planungssystem vor, das durch eine Kombination aus LLM-gestützter aktiver Abfrage zur Klärung von Unsicherheiten und einer Echtzeit-Intent-Inferenz basierend auf räumlichen Hinweisen die Zusammenarbeit in offenen Umgebungen effizienter gestaltet und Interaktionskosten sowie Ausführungszeiten signifikant reduziert.
Die vorgestellte Arbeit stellt ein neues Framework vor, das mittels des Minimal Information Neuro-Symbolic Tree (MINT) und Large Language Models Wissenslücken in der Drohnenplanung durch gezielte, minimale Abfragen an den menschlichen Operator schließt, wodurch die Effizienz bei Such- und Rettungseinsätzen im Vergleich zu herkömmlichen Methoden deutlich gesteigert wird.
Diese Arbeit stellt einen physik-informierten Lernansatz vor, der ein blade-element-basiertes Modell mit einem lernbasierten Residualschätzer und einer online-adaptiven Rotorgeschwindigkeitszuweisung kombiniert, um die Störungsunterdrückung und die Präzision von Luftmanipulatoren bei Wind und in Wandnähe zu verbessern.
Diese Arbeit schließt die Lücke zwischen dynamischer Programmierung und Reinforcement Learning, indem sie eine deterministische RL-Variante entwickelt, mathematische Äquivalenzbedingungen für Kostenminimierung und Belohnungsmaximierung herleitet und die Optimierung einer wahren Kostenfunktion gegenüber willkürlichen Parametern befürwortet.
Die vorgestellte Arbeit präsentiert eine robuste, sprachgesteuerte Greifpipeline für mobile Beinmanipulatoren, die durch die Kombination von VLM-basierter Objekterkennung, Punktwolken-Vervollständigung bei Verdeckungen und sicherheitsorientierten Heuristiken eine signifikant höhere Erfolgsrate in unstrukturierten Umgebungen im Vergleich zu herkömmlichen, sichtungsabhängigen Ansätzen erreicht.
Die Arbeit stellt eine aufgabenbewusste Schnittstelle vor, die visuelle Eingaben durch Segmentierung und semantische sowie geometrische Repräsentation kanonisiert, um die Robustheit von visuomotorischen Strategien gegenüber visuellen Ausreißern zu erhöhen, ohne die Politik selbst anpassen zu müssen.
Diese Arbeit stellt eine Methode vor, die mithilfe von Transfer-Entropie einflussreiche Roboteraktionen in der Mensch-Roboter-Interaktion identifiziert, um durch die Analyse nichtlinearer Informationsübertragung die Gestaltung und Anpassungsfähigkeit robotischer Systeme zu verbessern.
Das Paper stellt RoboRouter vor, ein trainingsfreies Framework, das durch intelligentes Routing und semantische Aufgabenrepräsentation heterogene Robotik-Policies kombiniert, um die Erfolgsrate in Simulation und realen Umgebungen signifikant zu steigern, ohne zusätzlichen Trainingsaufwand zu erfordern.
Die Arbeit stellt NaviDriveVLM vor, ein entkoppeltes Framework für autonomes Fahren, das ein großes Sprachmodell für die hochrangige Entscheidungsfindung und einen leichtgewichtigen Driver für die Bewegungsplanung kombiniert, um die Effizienz zu steigern und gleichzeitig die Leistung bei der End-to-End-Steuerung zu verbessern.
Das Paper stellt DyQ-VLA vor, einen dynamischen Quantisierungsrahmen für Vision-Language-Action-Modelle, der durch eine kinematikgesteuerte Bitbreitenanpassung den Speicherbedarf um 69,1 % reduziert und gleichzeitig die Leistung sowie die Echtzeitgeschwindigkeit erhält.
Die Studie stellt einen rein visuellen Autonomie-Rahmen für die robotergestützte Bronchoskopie vor, der durch eine Hierarchie aus kurz- und langfristigen Agenten sowie einen Weltmodell-Kritiker eine präzise Navigation ohne externe Sensoren ermöglicht und ihre Wirksamkeit in phantombasierten, ex-vivo- und in-vivo-Experimenten nachweist.
Diese Arbeit stellt ein einstufiges Trainingsframework vor, das eine dichte Bestrafung unsicherer Schritte und eine durch einen Edge-Guided Asymmetric U-Net verfeinerte, sparse LiDAR-Höhenkartierung nutzt, um humanoide Roboter sicher und omnidirektional Treppen zu bewältigen.
Diese Arbeit stellt einen trajektorienbasierten globalen Optimierungsrahmen vor, der durch gleichzeitige Identifizierung gekoppelter interner struktureller und externer hydrodynamischer Parameter eine hochpräzise Modellierung und Simulation von unterwasserbetriebenen, unteraktuierten Mechanismen sowie weichen Robotern ermöglicht.
Das Paper stellt RAPID vor, ein redundanzbewusstes und kompatibilitätsoptimiertes Edge-Cloud-Inferenzframework für diverse Vision-Language-Action-Modelle, das durch die Überwindung von visuellen Störungen und die Berücksichtigung redundanter Schritte die Echtzeitfähigkeit verbessert und dabei eine Geschwindigkeitssteigerung von bis zu 1,73-fach bei einem geringen Overhead von 5–7 % erreicht.
Das Paper stellt VORL-EXPLORE vor, einen hybriden Lern- und Planungsansatz für die Multi-Robot-Erkundung in dynamischen Umgebungen, der durch eine geteilte Schätzung der Navigierbarkeit die Aufgabenverteilung mit der Bewegungssteuerung koppelt, um Engpässe zu vermeiden und eine robuste, kollisionsfreie Erkundung zu gewährleisten.