cs.RO Arbeiten | Gist.Science

Dual-Agent Multiple-Model Reinforcement Learning for Event-Triggered Human-Robot Co-Adaptation in Decoupled Task Spaces

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.

Yaqi Li, Zhengqi Han, Huifang Liu, Steven W. Su2026-03-09💻 cs

DreamToNav: Generalizable Navigation for Robots via Generative Video Planning

Das Paper stellt DreamToNav vor, ein autonomes Robotersystem, das generative Videomodelle nutzt, um natürliche Sprachbefehle in physikalisch konsistente Videopläne zu übersetzen und daraus präzise Navigationspfade für verschiedene Roboterplattformen abzuleiten.

Valerii Serpiva, Jeffrin Sam, Chidera Simon, Hajira Amjad, Iana Zhura, Artem Lykov, Dzmitry Tsetserukou2026-03-09💻 cs

KISS-IMU: Self-supervised Inertial Odometry with Motion-balanced Learning and Uncertainty-aware Inference

Das Paper stellt KISS-IMU vor, ein selbstüberwachtes Framework für die Inertial-Odometrie, das die Abhängigkeit von Ground-Truth-Daten eliminiert, indem es LiDAR-basierte ICP-Registrierung als schwaches Supervisionssignal nutzt und durch motion-balanciertes Training sowie unsicherheitsbewusste Inferenz robuste Schätzungen für diverse Roboterplattformen ermöglicht.

Jiwon Choi, Hogyun Kim, Geonmo Yang, Juhui Lee, Younggun Cho2026-03-09💻 cs

VG3S: Visual Geometry Grounded Gaussian Splatting for Semantic Occupancy Prediction

Die Arbeit stellt VG3S vor, ein Framework, das durch die Integration geometrischer Vorwissen aus Vision Foundation Models die Genauigkeit der semantischen 3D-Besetzungsprognose für autonomes Fahren signifikant verbessert.

Xiaoyang Yan, Muleilan Pei, Shaojie Shen2026-03-09💻 cs

Few-Shot Neural Differentiable Simulator: Real-to-Sim Rigid-Contact Modeling

Die vorgestellte Arbeit entwickelt einen few-shot-basierten, differentierbaren neuronalen Simulator, der durch die Kombination analytischer Physikmodelle mit Graph-Neural-Networks präzise Real-zu-Sim-Übersetzungen für starre Kontaktinteraktionen ermöglicht und so die Effizienz des robotischen Policy-Lernings mit minimalem realen Trainingsdatenbedarf steigert.

Zhenhao Huang, Siyuan Luo, Bingyang Zhou, Ziqiu Zeng, Jason Pho, Fan Shi2026-03-09💻 cs

TaPD: Temporal-adaptive Progressive Distillation for Observation-Adaptive Trajectory Forecasting in Autonomous Driving

Die Arbeit stellt TaPD vor, ein einheitliches Framework für die Vorhersage von Trajektorien im autonomen Fahren, das durch progressive Wissensdistillation und eine temporäre Nachfüllung von fehlenden historischen Daten die Vorhersagegenauigkeit auch bei variablen und extrem kurzen Beobachtungszeiträumen signifikant verbessert.

Mingyu Fan, Yi Liu, Hao Zhou, Deheng Qian, Mohammad Haziq Khan, Matthias Raetsch2026-03-09🤖 cs.AI

NOVA: Next-step Open-Vocabulary Autoregression for 3D Multi-Object Tracking in Autonomous Driving

Das Paper stellt NOVA vor, ein innovatives 3D-Multi-Object-Tracking-Verfahren für das autonome Fahren, das mithilfe von Large Language Models und autoregressiver Generierung offene Vokabulare nutzt, um die Identitätserhaltung über lange Sequenzen hinweg zu verbessern und dabei signifikante Fortschritte bei der Verfolgung unbekannter Objekttypen erzielt.

Kai Luo, Xu Wang, Rui Fan, Kailun Yang2026-03-09💻 cs

Towards Robotic Lake Maintenance: Integrating SONAR and Satellite Data to Assist Human Operators

Diese Arbeit schlägt einen zweistufigen Ansatz zur Unterstützung von Robotik-gestützter Seepflege vor, bei dem Satellitendaten zur groben Detektion von Unterwasservegetation genutzt werden, um darauf aufbauend einen autonomen Oberflächenroboter mit SONAR für eine präzise Kartierung und gezielte Ernte einzusetzen.

Ahmed H. Elsayed, Christoph Manss, Tarek A. El-Mihoub, Andrej Lejman, Frederic Stahl2026-03-09💻 cs

Can we Trust Unreliable Voxels? Exploring 3D Semantic Occupancy Prediction under Label Noise

Die Arbeit stellt mit OccNL das erste Benchmark für 3D-semantische Belegungsvorhersage unter verrauschten Labels vor und schlägt DPR-Occ vor, ein robustes Framework, das durch duale partielle Label-Logik die katastrophalen Auswirkungen von Rauschen in 3D-Voxelräumen überwindet und so die Zuverlässigkeit robotischer Wahrnehmung in dynamischen Umgebungen sicherstellt.

Wenxin Li, Kunyu Peng, Di Wen, Junwei Zheng, Jiale Wei, Mengfei Duan, Yuheng Zhang, Rui Fan, Kailun Yang2026-03-09💻 cs

SuperSuit: An Isomorphic Bimodal Interface for Scalable Mobile Manipulation

Das Paper stellt SuperSuit vor, ein isomorphes bimodales Interface, das Teleoperation und aktive Demonstrationen für mobile Manipulatoren unter einer gemeinsamen kinematischen Schnittstelle vereint und so eine skalierbare Datenerfassung für langfristige Aufgaben ermöglicht.

Tongqing Chen, Hang Wu, Jiasen Wang, Xiaotao Li, Zhu Jin, Lu Fang2026-03-09💻 cs

Open-Source Based and ETSI Compliant Cooperative, Connected, and Automated Mini-Cars

Diese Arbeit stellt eine kostengünstige, Open-Source-basierte Plattform aus 1:10-Skalen-Mini-Autos vor, die mit ROS2 und dem ETSI-konformen OScar-Stack ausgestattet ist, um kooperative, vernetzte und automatisierte Fahrzeugszenarien wie eine Kreuzungskollisionswarnung effizient zu testen.

Lorenzo Farina, Federico Gavioli, Salvatore Iandolo, Francesco Moretti, Giuseppe Perrone, Matteo Piccoli, Francesco Raviglione, Marco Rapelli, Antonio Solida, Paolo Burgio, Carlo Augusto Grazia, Alessandro Bazzi2026-03-09💻 cs

Safe Consensus of Cooperative Manipulation with Hierarchical Event-Triggered Control Barrier Functions

Diese Arbeit stellt einen verteilten Regelungsrahmen vor, der mithilfe hierarchischer ereignisgesteuerter Kontrollbarrierefunktionen (CBFs) eine sichere Konsenskoordination für die kooperative Manipulation mehrerer Roboterarme gewährleistet und dabei durch eine risikobewusste Führerauswahl sowie eine glatte Umschaltstrategie die Rechenkosten und Kommunikationsfrequenz erheblich senkt.

Simiao Zhuang, Bingkun Huang, Zewen Yang2026-03-09💻 cs

Data Analogies Enable Efficient Cross-Embodiment Transfer

Die Studie zeigt, dass für den effizienten Transfer von Roboterkontrollstrategien zwischen unterschiedlichen Embodiments nicht einfach mehr Daten, sondern gezielt gepaarte Demonstrationsdaten („Data Analogies") entscheidend sind, die Szenen, Aufgaben und Trajektorien über verschiedene Robotersysteme hinweg ausrichten.

Jonathan Yang, Chelsea Finn, Dorsa Sadigh2026-03-09💻 cs

History-Conditioned Spatio-Temporal Visual Token Pruning for Efficient Vision-Language Navigation

Diese Arbeit stellt ein trainingsfreies, raum-zeitliches Token-Pruning-Framework vor, das die Latenz von Vision-Language-Action-Modellen für die robotische Navigation erheblich reduziert, ohne die Genauigkeit zu beeinträchtigen, und deren Echtzeit-Einsatz auf echten Robotern ermöglicht.

Qitong Wang, Yijun Liang, Ming Li, Tianyi Zhou, Christopher Rasmussen2026-03-09💻 cs

Control Barrier Corridors: From Safety Functions to Safe Sets

Diese Arbeit stellt ein neues Konzept namens „Control Barrier Corridors" vor, das die funktionalen Ansätze von Control Barrier Functions mit den geometrischen Methoden sicherer Bewegungsgassen vereint, um durch die Umwandlung von Barrieren in lokale Zielregionen verifizierbare und persistente Pfadverfolgung in unbekannten Umgebungen zu ermöglichen.

Ömür Arslan, Nikolay Atanasov2026-03-09💻 cs

A Unified Low-Dimensional Design Embedding for Joint Optimization of Shape, Material, and Actuation in Soft Robots

Die vorgestellte Arbeit führt eine glatte, niedrigdimensionale Design-Embedding-Methode ein, die Form, Materialverteilung und Aktuation in Soft-Robotern in einem einzigen parametrischen Raum vereint, um durch strukturierte Basisfunktionen eine effiziente gemeinsame Optimierung zu ermöglichen und dabei herkömmliche sequenzielle Ansätze sowie neuronale Netzwerke in Bezug auf Leistung und Parameterbedarf zu übertreffen.

Vittorio Candiello, Manuel Mekkattu, Mike Y. Michelis, Robert K. Katzschmann2026-03-09💻 cs

CFEAR-Teach-and-Repeat: Fast and Accurate Radar-only Localization

Die Arbeit stellt CFEAR-TR vor, eine robuste und effiziente Lokalisierungsmethode für autonome Fahrzeuge, die ausschließlich auf einem einzelnen Radarsensor basiert und durch den Abgleich von Live-Scans mit einer Teach-and-Repeat-Karte sowie einem gleitenden Fenster an Live-Keyframes eine hohe Genauigkeit auch unter widrigen Wetterbedingungen erreicht.

Maximilian Hilger, Daniel Adolfsson, Ralf Becker, Henrik Andreasson, Achim J. Lilienthal2026-03-09💻 cs

SG-DOR: Learning Scene Graphs with Direction-Conditioned Occlusion Reasoning for Pepper Plants

Die Arbeit stellt SG-DOR vor, ein relationaler Rahmen, der mittels eines richtungsabhängigen Graph-Neural-Netzwerks Verdeckungen und Anbindungen in Paprikapflanzen analysiert, um die robotische Ernte in dichten Beständen zu optimieren.

Rohit Menon, Niklas Mueller-Goldingen, Sicong Pan, Gokul Krishna Chenchani, Maren Bennewitz2026-03-09💻 cs

Underactuated multimodal jumping robot for extraterrestrial exploration

Die Autoren stellen einen unteraktuierten, einbeinigen Roboter mit nur drei Aktuatoren vor, der durch den Einsatz von zwei Reaktionsrädern und zwei Reglern sowohl rollen als auch gezielt springen, landen und sich selbst aufrichten kann, um ihn für die Erkundung von Himmelskörpern mit niedriger Schwerkraft geeignet zu machen.

Neil R. Wagner, Justin K. Yim2026-03-09💻 cs

Spatial Calibration of Diffuse LiDARs

Der Artikel stellt ein einfaches Kalibrierverfahren vor, das für diffuse LiDAR-Sensoren wie den TMF8828 mittels eines gescannten retroreflektierenden Flecks und Hintergrundsubtraktion pixelgenaue Fußabdrücke und relative räumliche Empfindlichkeiten in einem RGB-Bild schätzt, um eine präzise räumliche Ausrichtung und Fusion der Modalitäten zu ermöglichen.

Nikhil Behari, Ramesh Raskar2026-03-09💻 cs

← Zurück Weiter →