672 Arbeiten
Die Arbeit stellt NaviGait vor, ein hierarchisches Framework, das Trajektorienoptimierung mit Deep Reinforcement Learning kombiniert, um durch die Auswahl und minimale Anpassung von Gait-Bibliotheken robuste, intuitive und schnell trainierbare Laufsteuerungen für bipede Roboter zu erzeugen.
Das Paper stellt RL-100 vor, ein leistungsfähiges Reinforcement-Learning-Framework für Roboter, das durch die Kombination von Diffusion-Policies mit PPO und Konsistenz-Distillation in acht realen Aufgaben eine 100-prozentige Erfolgsrate erzielt und dabei menschliche Operateure in Geschwindigkeit und Robustheit übertrifft.
Die Arbeit stellt FALCON vor, ein neues Paradigma für Vision-Language-Action-Modelle, das durch die Integration von räumlichen Grundwissen aus 3D-Spatial-Foundation-Modellen in den Aktionskopf die Lücke zwischen 2D-Vision und 3D-Aktion schließt und damit in Simulationen sowie realen Umgebungen neue Maßstäbe in Bezug auf Generalisierung und Robustheit setzt.
Diese Arbeit widerlegt die Annahme, dass reaktives Neuplanen zwingend eine Aktualisierung bestehender Pläne erfordert, und zeigt, dass stattdessen eine Abfolge unabhängiger Probleme mit schnellen, fast sicher asymptotisch optimalen Algorithmen wie EIT* effizienter gelöst werden kann.
Die Arbeit stellt SynHLMA vor, ein neuartiges Framework, das mithilfe einer diskreten Darstellung und eines sprachbasierten Modells Hand-Manipulationssequenzen für artikulierte Objekte generiert, um natürliche Sprachanweisungen in realistische Greifbewegungen zu übersetzen.
Das Paper stellt EgoMI vor, ein Framework, das durch die Nachahmung synchronisierter Kopf- und Handbewegungen aus egozentrischen menschlichen Demonstrationen die Embodiment-Lücke überbrückt und so die robuste Imitationslernen auf halb-humanoiden Robotern mit aktiven Kameras ermöglicht.
Die Arbeit stellt PACS vor, einen sicherheitsfilternden Ansatz für Diffusions-Policies, der durch pfadkonsistente Bremsmanöver und mengenbasierte Erreichbarkeitsanalysen formale Sicherheitsgarantien in dynamischen Umgebungen bietet, ohne dabei die Aufgabenerfolgsrate im Vergleich zu reaktiven Methoden wie Control Barrier Functions signifikant zu beeinträchtigen.
Das Paper stellt AFRO vor, ein selbstüberwachtes Framework, das durch die Modellierung von Zustands-Aktions-Dynamiken in einem gemeinsamen latenten Raum ohne explizite geometrische Rekonstruktion oder Aktionsüberwachung dynamische Bewusstsein 3D-Repräsentationen lernt und so die Manipulationserfolgsraten von Robotern in simulierten und realen Umgebungen erheblich verbessert.
Das Paper stellt UniBYD vor, ein einheitliches Framework, das durch dynamisches Reinforcement Learning und eine morphologische Repräsentation Roboter-Manipulationsstrategien entwickelt, die über die reine Nachahmung menschlicher Demonstrationen hinausgehen und sich an diverse Roboter-Handkonfigurationen anpassen, was zu einer signifikanten Leistungssteigerung auf dem neu eingeführten UniManip-Benchmark führt.
Diese Arbeit stellt ein modulares, auf ArUco-Markern, optischem Fluss und IMU-Daten basierendes Relativlokalisationssystem für den selbstrekonfigurierbaren Roboter SnailBot vor, das durch eine regelbasierte Sensorfusion eine robuste Echtzeitpositionierung für kollaborative Aufgaben ermöglicht.
Die Studie beschreibt einen magnetisch angetriebenen elastischen Mikroschwimmer, der durch hysteretischen Kollaps und nicht-reziproke Bewegung netten Vortrieb bei niedrigen Reynolds-Zahlen erzielt und es ermöglicht, mehrere Schwimmer gleichzeitig über ein einziges Magnetfeld unabhängig voneinander zu steuern.
Das 26 Gramm schwere, schmetterlingsinspirierte Robotersystem „AirPulse" demonstriert erstmals den autonomen, geschlossenen Regelkreis-Flug einer schwanzlosen Plattform durch Nachahmung biologischer Flügelschläge und eine hierarchische Steuerungsarchitektur, die stabile Manöver in einem bisher kaum erforschten aerodynamischen Regime ermöglicht.
Diese Arbeit stellt einen hybriden lernbasierten und modellgestützten Ansatz vor, der multimodale Taktile Sensoren mit einer internen Kraftoptimierung kombiniert, um das Abrutschen von Objekten in multifingrigen Greifern durch eine geschlossene Regelkreisstabilisierung mit einer Gesamtverzögerung von unter 50 ms reaktiv zu verhindern.
Die Arbeit stellt die Multimodal Adversarial Quality Policy (MAQP) vor, ein Framework zur sicheren visuellen Greifsteuerung von Robotern, das durch eine heterogene Dual-Patch-Optimierung und eine gradientenbasierte Modalitätsausgewogenheit die Sicherheitsrisiken von Deep-Learning-Modellen in der Mensch-Roboter-Interaktion effektiv reduziert.
Die Arbeit stellt Pri4R vor, eine einfache Methode, die Vision-Language-Action-Modelle durch das Training mit privilegierten 4D-Punktverläufen in die Lage versetzt, physikalische Welt-Dynamiken implizit zu erlernen und so die Leistung bei Manipulationsaufgaben ohne zusätzliche Inferenzkosten erheblich zu steigern.
Die Arbeit stellt SPARC vor, ein dezentralisiertes Multi-Roboter-Pfadplanungssystem, das durch eine relationenverstärkte Multi-Head-Aufmerksamkeitsmechanik (RMHA) räumliche Nähe in die Kommunikation integriert und damit in überfüllten Umgebungen sowie bei der Generalisierung auf deutlich größere Roboterschwärme signifikant bessere Erfolgsraten erzielt als bestehende Methoden.
Die Arbeit stellt SPREAD vor, ein geometrieerhaltendes Framework für das lebenslange Imitationslernen, das durch subspace-basierte Distillation und eine vertrauensgesteuerte Strategie katastrophales Vergessen verhindert und gleichzeitig die Übertragung von Wissen sowie die Generalisierungsfähigkeit verbessert.
Diese Studie untersucht, wie sich altersbedingte Unterschiede in der Wahrnehmung von Blickkontakt bei der Interaktion mit sozialen Robotern auswirken, um die Gestaltung adaptiver nonverbaler Signale für ältere Menschen zu verbessern.
Die Arbeit stellt Scale-Plan vor, ein skalierbares Framework, das große Sprachmodelle nutzt, um aus natürlichen Anweisungen kompakte, aufgabenrelevante Darstellungen zu generieren und so die Planung für heterogene Multi-Roboter-Teams durch die Filterung irrelevanter Informationen effizienter und zuverlässiger zu gestalten.
Die Arbeit stellt HMR-1 vor, ein hierarchisches Massage-Robotersystem, das auf einem multimodalen Datensatz namens MedMassage-12K und feinabgestimmten Vision-Language-Modellen basiert, um präzise Akupunkturpunkterkennung und Bewegungssteuerung für die embodied Healthcare zu ermöglichen.