864 Arbeiten
Die Arbeit stellt SORS vor, einen modularen, energiebasierten Simulator auf Finite-Elemente-Basis, der durch die Integration von sequentieller quadratischer Programmierung für Kontakthandhabung eine hohe physikalische Genauigkeit bei der Simulation komplexer weicher Roboter in Multiphysik-Umgebungen ermöglicht und so die Lücke zwischen Simulation und Realität schließt.
Das Paper stellt VISO vor, ein robustes Unterwasser-SLAM-System, das Stereo-Kameras, IMU und 3D-Sonar fusioniert, um durch eine neuartige externe Kalibrierung und photometrische Rendering-Strategie präzise 6-DoF-Lokalisierung sowie eine Echtzeit-3D-Rekonstruktion mit hoher photometrischer Qualität zu ermöglichen.
Die Arbeit stellt InsSo3D vor, ein präzises und effizientes SLAM-System, das 3D-Sonar und ein Trägheitsnavigationssystem kombiniert, um auch in trüben Gewässern driftkorrigierte 3D-Karten und genaue Trajektorien für die Inspektion unterwasserstrukturen zu erzeugen.
Die Arbeit stellt (MGS)-Net vor, ein geometriebasiertes Framework, das durch die Kombination von Mikro-geometrischer Skalenanpassung und Makro-geometrischer Strukturfiltierung die Robustheit der cross-view Geo-Lokalisierung unter GNSS-verweigernden Bedingungen signifikant verbessert und damit neue State-of-the-Art-Ergebnisse auf gängigen Datensätzen erzielt.
Die Arbeit stellt APEX vor, ein auf Deep Reinforcement Learning basierendes System für humanoide Roboter, das durch eine generalisierte Ratchet-Fortschritts-Belohnung und eine distillierte Einheitsrichtlinie das sichere, zero-shot sim-to-real Überwinden von Plattformen ermöglicht, die höher sind als die Beinlänge des Roboters.
Die Studie stellt MiDAS vor, ein quelloffenes, plattformunabhängiges System zur nicht-invasiven, zeitlich synchronisierten Erfassung multimodaler Daten für roboterassistierte minimalinvasive Chirurgie, das proprietäre Schnittstellen umgeht und durch die Bereitstellung annotierter Datensätze, einschließlich der ersten multimodalen Aufnahmen von Herniennaht-Übungen, die Reproduzierbarkeit der Forschung fördert.
Diese Arbeit stellt einen Reinforcement-Learning-basierten Sim-Real-Co-Training-Ansatz (RL-Co) für Vision-Language-Action-Modelle vor, der durch eine Kombination aus SFT-Warm-Start und simuliertem RL mit einer zusätzlichen Überwachungsverlustkomponente für reale Daten die Generalisierungsfähigkeit und die Erfolgsrate realer Roboter im Vergleich zu reinen SFT-Methoden signifikant verbessert.
Die vorgestellte Arbeit entwickelt ein dreistufiges Framework, das auf einer kalibrierten 3D-Simulation, einem modifizierten TD3-Algorithmus mit Domänenrandomisierung und einer Abbildungsschicht basiert, um robuste Steuerungsstrategien für das Erreichen und Halten von invertierten Posen bei Miniatur-Luftschiffen zu erlernen und erfolgreich in der realen Welt einzusetzen.
Das Paper stellt ROSER vor, ein leichtgewichtiges Few-Shot-Retrieval-Framework, das es ermöglicht, aus ungelabelten, kontinuierlichen Roboter-Interaktionsprotokollen mit nur wenigen Referenzbeispielen wiederverwendbare, aufgabenbezogene Trajektorien zu extrahieren und so die Datenknappheit für das Roboterlernen zu überwinden.
Die Arbeit stellt „Companion" vor, ein robotisches Zeichensystem, das durch die Integration von Large Language Models und Echtzeit-Interaktion den Menschen wieder in den kreativen Prozess einbindet und so eine synergistische, bidirektionale Zusammenarbeit für das visuelle Geschichtenerzählen ermöglicht, die von Experten als ästhetisch eigenständig und ausstellungsfähig bestätigt wurde.
Das Paper stellt RoboLayout vor, eine Erweiterung von LayoutVLM, die durch die Integration expliziter Erreichbarkeitsbeschränkungen und einer lokalen Verfeinerung differenzierbare 3D-Layouts für embodied Agents generiert, die sowohl semantisch kohärent als auch physisch für diverse Agenten wie Roboter oder Menschen navigierbar und handhabbar sind.
Der Artikel stellt ProFocus vor, ein trainingsfreies Framework für die visuell-sprachliche Navigation, das durch proaktive Wahrnehmung und fokussiertes Denken mittels LLM-VLM-Kollaboration sowie BD-MCTS redundanten Input vermeidet und auf den R2R- und REVERIE-Benchmarks neue Bestleistungen bei Zero-Shot-Methoden erzielt.
Diese Arbeit stellt einen digitalen-Zwilling-gestützten V2X-Ansatz zur Vorhersage von Trajektorien an städtischen Kreuzungen vor, der durch eine neuartige „Twin Loss"-Funktion neben der Genauigkeit auch die Einhaltung von Verkehrsregeln und die Vermeidung von Kollisionen sicherstellt.
Die Arbeit stellt TEGA vor, ein geschlossenes Assistenzsystem für die Teleoperation, das durch die Fusion von EMG-basierten Intent-zu-Kraft-Inferenzen und visuotaktilem Feedback über ein haptisches Weste die intuitive Kraftmodulation und Stabilität beim Greifen für Nutzer mit Oberkörperbehinderungen verbessert.
Die Arbeit stellt PRISM vor, eine Methode, die Imitationslernen und verstärkendes Lernen durch nutzerdefinierte Anweisungen und menschliches Feedback kombiniert, um Roboter-Manipulationsfähigkeiten effizient zu verfeinern und an neue Zielkonfigurationen anzupassen.
Diese Arbeit stellt ein neuartiges gemeinsames Lernverfahren vor, das durch die Umkehrung von Vorwärtsdemonstrationen in neuen Konfigurationen eine präzise und dateneffiziente Extrapolation von Roboterkompetenzen auf unbekannte Bedingungen ermöglicht und dabei diffusionbasierte Alternativen übertrifft.
Dieses Paper stellt den ersten gekoppelten Verifikationsrahmen für heatmap-basierte Schlüsselpunkt-Detektoren vor, der mittels eines gemischt-ganzzahligen linearen Programms (MILP) die gemeinsame Abweichung aller Schlüsselpunkte unter Berücksichtigung ihrer Interdependenzen formal verifiziert und damit robustere Garantien liefert als bisherige entkoppelte Ansätze.
Die Studie stellt RACAS vor, ein roboteragnostisches Agentic-System, das mittels natürlicher Sprache und großer Sprachmodelle diverse Roboterplattformen ohne Anpassung des Quellcodes steuern kann und so die Hürden für die Prototypenentwicklung senkt.
Diese Arbeit stellt ein allgemeines Regelungsframework vor, das durch die Formulierung einer schnell exponentiell stabilisierenden Control-Lyapunov-Funktion als konvexe Nebenbedingung die präzise Aufgabenraum-Regelung und -Verfolgung für unteraktuierte weiche Roboter unter Berücksichtigung von Aktorengrenzen und den vollen Systemdynamiken ermöglicht.
Die Studie stellt den multimodalen RFM-HRI-Datensatz vor, der menschliche Reaktionen und Wiederherstellungspräferenzen bei Fehlern medizinischer Roboter während der Entnahme von Gegenständen erfasst, um die Grundlage für zuverlässigere Fehlererkennung und -behebung in sicherheitskritischen HRI-Szenarien zu schaffen.