864 Arbeiten
Dieses Paper stellt LIPP (Load-Aware Informative Path Planning) vor, eine Erweiterung der klassischen Informationspfadplanung, die durch die explizite Modellierung der Kopplung zwischen Informationsgewinn und lastabhängigen Reisekosten die Energieeffizienz bei physischen Probenentnahmen optimiert und dabei die klassische Planung als Spezialfall bei vernachlässigbarer Probenmasse einschließt.
Die Autoren stellen ein kontrastives Few-Shot-Framework vor, das RGB-Bilder mit spärlichen 1D-Laser-Tiefendaten und negativen Prototypen kombiniert, um die Genauigkeit der Hinderniserkennung und der Erkennbarkeit von begehbarer Fläche bei der Indoor-Roboter-Navigation signifikant zu verbessern.
Die Studie entwickelt ein physikbasiertes Modell zur Vorhersage von Bewegungsversagensmechanismen und zur Risikobewertung für laufende Roboter auf granularer Schräge, indem sie zeigt, dass die Leistungsminderung primär durch verzögerte Verankerung und erhöhten Rückwärtsschlupf statt durch übermäßiges Einsinken verursacht wird.
Dieser Artikel stellt ein zweistufiges Framework vor, das durch minimale Relaxierung und pareto-optimalen Ausgleich widersprüchlicher STL-Spezifikationen die Lösbarkeit von Modellprädiktiver Regelung wiederherstellt und so in sicherheitskritischen Anwendungen wie dem autonomen Fahren Deadlocks vermeidet.
Diese Arbeit bietet eine kritische Überprüfung der praktischen Anwendung von Control Barrier Functions (CBFs) in der Robotik, indem sie die Lücke zwischen theoretischen Sicherheitsannahmen und der konstruktiven Realisierung bei eingeschränkten Stellgrößen aufzeigt und praktische Leitlinien für die Entwicklung robuster Sicherheitsgarantien jenseits passiv sicherer Systeme liefert.
Die vorgestellte Arbeit zeigt, dass ein rotierendes Gleichgewicht bei der kollaborativen Transport von an Seilen hängenden Lasten durch die Nutzung von Zentrifugalkräften für die horizontale Spannung ermöglicht, dass die Drohnen rein vertikalen Schub erzeugen können, was den Energieverbrauch im Vergleich zu statischen Ansätzen um bis zu 20 % senkt.
Die vorgestellte VSL-Skin-Technologie ermöglicht erstmals eine individuell adressierbare, voxelbasierte Steuerung der Steifigkeit und virtueller Gelenke in Robotern durch Phasenwechselmaterialien, wodurch die Lücke zwischen weichen und starren Robotern geschlossen und gleichzeitig Selbstreparatur sowie programmierbare Bruchstellen realisiert werden.
Diese Arbeit stellt einen effizienten, auf einem Weltmodell basierenden Ansatz vor, der mithilfe von Unsicherheitsschätzungen und konformaler Vorhersage bimanuelle Manipulationsfehler zuverlässig erkennt und dabei sowohl die Genauigkeit als auch die Parameter-Effizienz im Vergleich zu bestehenden Methoden deutlich verbessert.
Diese Arbeit stellt ein robustes zweistufiges Planungsframework für mobile Manipulatoren vor, das die hochdimensionale Konfigurationsplanung durch eine Entkopplung in eine diskrete Graphsuche und eine anschließende numerische Optimierung mit L-BFGS löst, um submillimetergenaue und kinematisch machbare Trajektorien zu erzeugen.
Die Arbeit stellt das SSP-Framework vor, das durch die Kombination von Neural ODEs und robusten Control Barrier Functions formale Sicherheitsgarantien für datengetriebene chirurgische Robotik-Policies bietet, indem es Verhaltens- und räumliche Einschränkungen unter Unsicherheit erzwingt und dabei die Aufgabenerfolgsrate erhält.
Die Arbeit TacDexGrasp stellt einen Ansatz für robustes und nachgiebiges dexteres Greifen vor, der mittels taktiler Rückmeldung und eines auf Second-Order Cone Programming basierenden Reglers die Kraftverteilung und das Gleitverhalten ohne explizite Drehmomentmodellierung steuert.
Das Paper stellt GuideTWSI vor, einen umfassenden Datensatz für taktile Leit- und Warnsysteme, der synthetische und reale Bilder kombiniert, um die geografischen und geometrischen Beschränkungen bestehender Daten zu überwinden und so eine zuverlässige Navigation für blinde und sehbehinderte Menschen zu ermöglichen.
Dieses Paper stellt eine morphologieunabhängige Methode zur Gesichtsausdrucksimulation für humanoide Roboter vor, die durch die Entkopplung von Ausdruckssemantik und Gesichtsform sowie den Einsatz eines speziell entwickelten Roboters namens Pengrui realistischere und morphologieunabhängige Imitationen ermöglicht.
Das Paper stellt Artoo vor, ein ressourcenschonendes, end-to-end trainiertes akustisches Kommunikationssystem für Roboter, das durch den Verzicht auf menschliche Sprachmerkmale und eine gemeinsame Optimierung von Sender und Empfänger eine hohe Robustheit gegenüber Kanalverzerrungen bei minimalem Rechenaufwand erreicht.
Die Arbeit stellt VLN-Cache vor, einen rahmenfreien Ansatz zur Token-Caching für Vision-and-Language-Navigation-Modelle, der durch visuelle und semantische Dynamik-Erkennung die Wiederverwendung stabiler Tokens ermöglicht und so die Inferenzkosten um bis zu 1,52-fach senkt, ohne die Navigationserfolgsrate zu beeinträchtigen.
Diese Arbeit stellt einen auf dem ADMM-Verfahren basierenden verteilten modellprädiktiven Regelungsansatz vor, der die kollaborative Fortbewegung und Manipulation schwerer Lasten durch ein Team von Laufrobotern mit Manipulatoren in komplexen Umgebungen durch effiziente Zerlegung des globalen Optimierungsproblems in parallele Teilprobleme ermöglicht.
Die vorgestellte Arbeit präsentiert einen skalierbaren, probabilistischen Ansatz zur Vorhersage menschlicher Bewegungen mittels strukturierter Multi-Task-Variations-Gaußscher Prozesse, der auf dem Human3.6M-Datensatz eine hohe Genauigkeit bei gleichzeitig zuverlässiger Unsicherheitsquantifizierung und effizientem Ressourceneinsatz für den Echtzeit-Einsatz in der sicheren Mensch-Roboter-Kollaboration erreicht.
Die Arbeit stellt FEMA (Failure Episodic Memory Alert) vor, eine Technik, die durch das Speichern und Abrufen von Fehlerepisoden in einem episodischen Gedächtnis verhindert, dass Roboter wiederholt in instabile Zustände geraten, und so die Sample-Effizienz des Reinforcement Learning bei anspruchsvollen Kontaktdynamiken erheblich verbessert.
Diese Arbeit stellt eine lernbasierte Initialisierungsstrategie vor, die mithilfe eines neuronalen Netzes und realer Formel-1-Telemetriedaten expertenähnliche Rennlinien vorhersagt, um die Konvergenzgeschwindigkeit und Effizienz von Trajektorienoptimierungslösern für autonomes Rennfahren signifikant zu verbessern.
Das Paper stellt DexKnot vor, ein Framework, das durch die Kombination von Schlüsselpunkt-Affordanzen mit Diffusions-Policies eine generalisierbare visuomotorische Steuerung für das Knoten deformierbarer Plastiktaschen ermöglicht.