864 Arbeiten
Diese Arbeit stellt eine einfache und kostengünstige Steuerungsmethode für kleine Springroboter vor, die durch eine Feder-Masse-Modellierung sowie die Anpassung des Landewinkels und ein Korrekturdrehmoment vor dem Absprung die Stabilität auf schrägem Gelände sicherstellt.
Dieses Paper stellt ein neuartiges iteratives konvexes MPC-DCBF-Framework vor, das durch die Ableitung von Stützhyperebenen aus exakten Abstandsberechnungen zwischen konvexen Polyedern Kollisionsvermeidung für polytopische Roboter in komplexen Umgebungen ermöglicht und dabei Echtzeitfähigkeit sowie Sicherheit für nichtlineare Dynamiken gewährleistet.
FTSplat ist ein Feed-Forward-Netzwerk, das aus kalibrierten Mehransichtsbildern direkt kontinuierliche Dreiecksflächen vorhersagt und so hochpräzise, simulationsbereite 3D-Rekonstruktionen in einem einzigen Durchlauf ohne zeitaufwändige Szenenoptimierung ermöglicht.
Die Arbeit stellt Swooper vor, einen auf Deep Reinforcement Learning basierenden Ansatz, der mit einem einzigen neuronalen Netzwerk und einem einfachen Greifmechanismus hochgeschwindigkeitsfähiges, präzises Greifen aus der Luft ermöglicht und dabei in 25 realen Versuchen eine Erfolgsrate von 84 % bei Geschwindigkeiten bis zu 1,5 m/s erreicht.
Diese Arbeit stellt ein dynamisches Modell des neuen Crazyflie Brushless vor, dessen Parameter identifiziert und durch Simulationen sowie Hardwaretests validiert wurden, um dessen Eignung für reinforcement-learning-basierte Steuerungsalgorithmen und akrobatische Manöver mit erfolgreicher Sim-to-Real-Übertragung nachzuweisen.
Die Arbeit stellt PROBE vor, einen lernfreien LiDAR-Ortserkennungsdeskriptor, der die BEV-Besetzung als Bernoulli-Zufallsvariable modelliert und durch analytische Marginalisierung über kontinuierliche Translationen eine sensorunabhängige, rotationsinvariante und hochpräzise 3D-Ortserkennung ermöglicht.
Diese Studie zeigt, dass die Formschätzung von Tensegrity-Manipulatoren allein durch die Minimierung der Energie basierend auf den Neigungswinkeln der Streben, die mit IMUs gemessen werden, mit einer Genauigkeit von 2,1 % der Gesamtlänge auch bei Störungen möglich ist.
Die Arbeit stellt HarvestFlex vor, ein System, das Vision-Language-Action-Richtlinien erfolgreich auf das unstrukturierte, langfristige Ernten von Erdbeben im Gewächshaus überträgt und dabei mit nur wenigen Stunden teleoperierter Demonstrationsdaten eine Erfolgsrate von 74 % bei minimaler Beschädigung der Früchte erreicht.
Die Arbeit stellt MagRobot vor, eine universelle Open-Source-Simulationsplattform, die die effiziente Entwicklung, Visualisierung und den Benchmarking von magnetisch navigierten Robotern für verschiedene medizinische Anwendungen ermöglicht und dabei experimentelle Kosten senkt sowie die Vergleichbarkeit unterschiedlicher Systeme fördert.
Die Arbeit stellt „Moving Through Clutter" (MTC) vor, ein Open-Source-Framework auf Basis von Virtual Reality, das durch prozedurale Generierung von Szenen und immersive Datenerfassung einen neuen Datensatz und Benchmark für die lokomotorische Anpassung von Humanoiden Robotern in komplexen, überfüllten 3D-Umgebungen bereitstellt.
Die Arbeit stellt TADPO vor, ein neuartiges Reinforcement-Learning-System, das eine verbesserte Policy-Gradient-Methode nutzt, um hochgeschwindigkeitsfähige Offroad-Fahrzeuge erstmals erfolgreich in der Simulation und im realen Einsatz ohne Anpassungen zu steuern.
Diese Arbeit stellt das diagnostische Benchmark ICBench vor, um das Phänomen der „linguistischen Blindheit" in Vision-Language-Action-Modellen aufzudecken, und schlägt mit IGAR eine trainingsfreie Methode zur Nachkalibrierung der Aufmerksamkeit vor, die die Zuverlässigkeit bei widersprüchlichen Sprachanweisungen ohne Architekturänderungen wiederherstellt.
Die Arbeit stellt Curious-VLA vor, ein zweistufiges Framework, das durch Feasible Trajectory Expansion und Adaptive Diversity-Aware Sampling die Exploration in autonomen VLA-Modellen verbessert und so auf dem Navsim-Benchmark neue State-of-the-Art-Ergebnisse erzielt.
Die Arbeit stellt RODEO vor, ein Blockchain-basiertes Framework, das dezentrale autonome Organisationen (DAOs) mit Robotern verbindet, um durch eine ROS-ETH-Brücke, Auditierbarkeit und Token-basierte Abrechnung eine transparente und selbstfinanzierende Roboterautonomie zu ermöglichen.
Diese Arbeit stellt eine Pipeline vor, die archivierte omnidirektionale RGB-LiDAR-Daten durch eine Kombination aus ERP-zu-Würfelkarte-Konvertierung, strategischem Downsampling und multi-modaler Registrierung in robuste Initialisierungsdaten für 3D-Gaussian-Splatting umwandelt, um kostengünstig hochwertige digitale Zwillinge zu erstellen.
Das Paper stellt Uni-Walker vor, ein lifelong-learning-Framework für Embodied-Navigation-Agenten, das mittels DE-LoRA, Wissensvererbung und orthogonalen Expertensubräumen künftige Katastrophisches Vergessen verhindert und die Fähigkeit zur kontinuierlichen Anpassung an neue Szenarien und Instruktionsstile verbessert.
Diese Arbeit stellt eine Methode vor, bei der ein kleiner, multimodaler Vision-Language-Modell durch Feinabstimmung auf einem neu erstellten Datensatz Behavior Trees für die Roboterplanung generiert und dabei die Leistung großer geschlossener Modelle bei deutlich geringerem Rechenaufwand erreicht.
Der Artikel stellt „Sticky-Glance" vor, ein robustes, objektzentriertes Framework zur Intent-Erkennung für die Mensch-Roboter-Kollaboration, das durch einen neuartigen Algorithmus auch bei starkem Rauschen und nur drei Blickproben eine hohe Genauigkeit erreicht und durch multimodale Interaktion die Aufgabendauer um fast 10 % verkürzt.
Der Bericht stellt ein strukturiertes Framework für die physische Sicherheit von Robotern vor, das klassische Risikotechnik mit modernen Machine-Learning-Pipelines verbindet, indem es durch explizite Asset-Deklaration, systematische Schwachstellenanalyse und hazardgesteuerte synthetische Daten eine formale Hazard-Ontologie für das Erlernen von Sicherheitsgrenzen ermöglicht.
Diese Arbeit stellt einen Dual-Agenten-Multiple-Model-Reinforcement-Learning-Ansatz (DAMMRL) für eine ereignisgesteuerte Mensch-Roboter-Co-Adaptation vor, der bei einem 6-DoF-Rehabilitationsroboter die menschliche Steuerung der Hauptrichtung mit einer autonomen Korrektur orthogonaler Bewegungen kombiniert, um durch dynamische Anpassung von Zielradien und Schrittgrößen Schwingungen zu unterdrücken und die Erfolgsrate bei Greifaufgaben zu steigern.