864 Arbeiten
Die Arbeit stellt den „Interactive World Simulator" vor, ein Framework, das auf Konsistenzmodellen basiert, um aus moderaten Roboterdatensätzen schnelle und physikalisch konsistente Weltmodelle zu erstellen, die sowohl das skalierbare Training von Roboterkontrollpolitiken als auch eine zuverlässige Evaluierung in der realen Welt ermöglichen.
Dieser Beitrag stellt den OA-Bug-Algorithmus vor, der schwarmbasierte Roboter durch die Nutzung olfaktorischer und auditorischer Signale befähigt, in GNSS-verweigernden Umgebungen ohne zentrale Koordination eine signifikant höhere Suchabdeckung zu erreichen.
Das Paper stellt RAG-Driver vor, ein neuartiges, retrieval-augmentiertes multimodales Large-Language-Modell, das durch kontextbasiertes Lernen mit abgerufenen Expertenbeispielen hochleistungsfähige, erklärbare und generalisierbare autonome Fahrentscheidungen trifft, ohne dass nach dem Training weitere Anpassungen erforderlich sind.
Das Paper stellt FALCON vor, einen selbstüberwachten Vorab-Trainingsansatz für die UAV-Aktionserkennung, der durch objektspezifisches Masking und zukunftsorientierte Rekonstruktion die Dominanz von Hintergrundinformationen überwindet und so die Genauigkeit bei gleichzeitig schnellerer Inferenz im Vergleich zu überwachten Methoden signifikant verbessert.
Diese Arbeit stellt einen effizienten, nichtlinearen Optimierungsrahmen vor, der hierarchische Entscheidungsfindung durch die Nutzung der -Norm nahtlos in die inverse Kinematik integriert, um komplexe Probleme wie die simultane Auswahl von Greifpunkten oder Endeffektorpositionen präzise und schnell zu lösen.
Die vorgestellte Arbeit führt generative prädiktive Regelung ein, ein überwachtes Lernframework, das Flow-Matching-Policies nutzt, um dynamische und schwer zu demonstrierende Roboter-Aufgaben zu lösen, indem es die Notwendigkeit von Experten-Demonstrationen umgeht und hochfrequentes Feedback ermöglicht.
Die vorgestellte Arbeit führt CAPS (Context-Aware Priority Sampling) ein, eine Methode, die mittels VQ-VAEs kontextsensitive Datencluster erstellt, um durch gezieltes Priorisieren seltener, wertvoller Beispiele die Effizienz und Generalisierungsfähigkeit von autonomen Fahrsystemen im CARLA-Simulator signifikant zu verbessern.
Die Arbeit demonstriert, dass ein einfacher iLQR-Ansatz mit MuJoCo-Dynamik und endlich-differenzierten Ableitungen eine überraschend effektive und echtzeitfähige Ganzkörper-Modellprädiktive Regelung für quadrupede und humanoide Roboter ermöglicht, die sich mit wenigen Sim-to-Real-Anpassungen erfolgreich auf reale Hardware übertragen lässt.
Die vorgestellte Arbeit stellt eine graphbasierte Online-Lidar-Odometrie vor, die durch die Registrierung aktueller Scans gegen mehrere überlappende Subkarten und eine nachträgliche Verfeinerung der Kartenankerpunkte die Genauigkeit und Konsistenz im Vergleich zu herkömmlichen Scan-zu-Karte-Ansätzen signifikant verbessert, ohne dabei die Echtzeitfähigkeit zu beeinträchtigen.
Der Artikel stellt FindAnything vor, einen effizienten Open-World-Mapping-Framework, der durch die Aggregation von Vision-Language-Features auf Objektebene eine skalierbare, semantisch ausdrucksstarke und geometrisch präzise 3D-Kartierung für ressourcenbeschränkte Roboter in Echtzeit ermöglicht.
Diese Arbeit stellt eine robuste Methode vor, die durch einen energiebasierten Robustheitsmetrik sowohl die Werkzeugauswahl als auch die Kontaktreiche Manipulationsplanung optimiert, um Störungen widerstandsfähige Handlungen zu gewährleisten.
Dieses Papier stellt eine strukturierte Methodik vor, die das SysML-Metamodell MeROS mit dem V-Modell kombiniert, um die semantische Kohärenz und strukturelle Rückverfolgbarkeit bei der Entwicklung komplexer, ROS-basierter Robotersysteme im Rahmen des modellbasierten Systemsingenieurwesens (MBSE) zu gewährleisten.
Diese Arbeit stellt ein Student-Lehrer-Framework vor, das mittels multi-agenten-basiertem Reinforcement Learning einen adaptiven Lehrplan automatisch generiert, um autonome Fahrzeuge durch eine ausgewogene Progression von alltäglichen bis zu kritischen Verkehrsszenarien robuster und vielseitiger zu trainieren.
Die vorgestellte Arbeit stellt ein benutzerfreundliches, grafikbasiertes No-Code-Framework für die Szenariengenerierung in CARLA vor, das durch eine graphenbasierte Repräsentation und Unterstützung manueller sowie automatisierter Methoden die Zugänglichkeit der Simulationstests für autonome Fahrzeuge für ein breiteres Publikum ohne Programmierkenntnisse erhöht.
Das Paper stellt VEGA vor, ein adaptives Routensystem für Elektrofahrzeuge, das einen physik-informierten neuronalen Operator zur Parameterschätzung mit einem Proximal-Policy-Optimization-Agenten kombiniert, um energieeffiziente Routen und Ladestopps zu planen, die sich ohne Neukalibrierung auf verschiedene Netzwerke verallgemeinern lassen.
Diese Arbeit stellt einen multimodalen Rahmen vor, der die Genauigkeit der Flugzielvorhersage in nicht kontrolliertem Luftraum durch die Kombination von Piloten-Radioansagen (mittels Spracherkennung und Sprachmodellen) mit Trajektorienanalysen signifikant verbessert.
Das Paper stellt GLIDE vor, ein kooperatives Such- und Rettungssystem, bei dem ein bodengestütztes Fahrzeug durch zwei Drohnen – eine für die Opfererkennung und Zielsetzung sowie eine für die Geländeaufklärung – in unbekannten Umgebungen sicher und effizient navigiert wird.
Diese Arbeit stellt einen visuellen Ansatz für die semantische Objekterkundung mit Laufrobotern vor, der durch vertrauenskalibrierte Wahrnehmung, ein wachsendes topologisches Gedächtnis und eine nutzungsorientierte Subziel-Auswahl robuste Entscheidungen in offenen Umgebungen ermöglicht, ohne auf dichte geometrische Rekonstruktionen angewiesen zu sein.
Die Arbeit stellt GPHDM vor, ein neuartiges Modell, das durch die Erweiterung des GPDM auf hyperbolische Mannigfaltigkeiten und die Integration taxonomischer Induktionsverzerrungen menschliche Roboterbewegungen erzeugt, die sowohl die hierarchische Struktur der Bewegungsdaten als auch physikalische Konsistenz bewahren.
Der Artikel stellt ROSflight 2.0 vor, eine schlanke, auf ROS 2 basierende Open-Source-Autopilot-Architektur für unbemannte Luftfahrzeuge, die durch ihre Modularität und den Wechsel zu ROS 2 die UAV-Forschung erleichtert und Hardware-Experimente beschleunigt.