864 Arbeiten
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.
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.
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.
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.
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.
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.
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.
Diese Arbeit stellt einen Ansatz vor, der symbolische und subsymbolische zeitliche Aufgabenbeschränkungen aus menschlichen Demonstrationen lernt, um durch eine Kombination aus DPLL-basiertem Allen-Relations-Ranking und multivariaten Gaußschen Mischmodellen optimierte, zeitparametrisierte Pläne für die bimanuelle Robotermanipulation zu generieren.
Diese Arbeit stellt ein neuartiges, unsicherheitsbewusstes adaptives Dynamikmodell für Unterwasserfahrzeug-Manipulator-Systeme vor, das durch bewegte Horizont-Schätzung physikalisch konsistente Parameter in Echtzeit schätzt und damit die Vorhersagegenauigkeit sowie die Zuverlässigkeit der Regelung im Vergleich zu festen Parametern signifikant verbessert.
Die Arbeit stellt Fly360 vor, ein zweistufiges Wahrnehmungs- und Entscheidungsframework für Drohnen, das mithilfe von Panoramasicht und einer festen Trainingsstrategie mit zufälliger Gierbewegung eine robuste omnidirektionale Hindernisvermeidung ermöglicht und damit herkömmliche, auf die Vorwärtsrichtung beschränkte Ansätze übertrifft.
Die Arbeit stellt BEVLM vor, ein Framework, das semantisches Wissen aus großen Sprachmodellen in räumlich konsistente Vogelperspektiven-Repräsentationen (BEV) integriert, um die reasoning-Fähigkeiten in komplexen Fahrszenen zu verbessern und die Sicherheit in End-to-End-Steuerungssystemen signifikant zu erhöhen.
Dieser Artikel stellt eine Methode vor, die die Robustheit von formationsbildenden UAV-Steuerungen gegenüber Rauschen in der Relativlagenmessung erhöht, indem der Gradientenabstiegsbefehl in interpretierbare Komponenten zerlegt und basierend auf der geschätzten Rauschverteilung angepasst wird, um in realen Experimenten Oszillationen und Abweichungen signifikant zu reduzieren.
Die Arbeit stellt FEP-Nav vor, ein biologisch inspiriertes Framework, das durch die Minimierung der Variational Free Energy mittels eines Top-down-Decoders und adaptiver Normalisierung eine robuste Echtzeit-Wahrnehmungsanpassung für die visuelle Navigation unter unsicheren und verrauschten Bedingungen ermöglicht.
Die Autoren stellen das Multi-feature Implicit Model (MIMO) vor, eine neuartige Objektdarstellung, die auf Basis von menschlichen Demonstrationsvideos ein Framework für das lernbasierte Greifen und Umordnen von Objekten ermöglicht und dabei sowohl in Simulationen als auch in realen Experimenten den aktuellen Stand der Technik übertrifft.
Dieser Beitrag stellt einen Ansatz vor, der durch die Erweiterung von LTL-Spezifikationen um zeitliche und schwerewegsbezogene Risikomaße sowie die Formulierung als lineares Optimierungsproblem autonome Fahrzeuge befähigt, menschähnliche Risikoabwägungen zwischen Kollisionsgefahren und Verkehrsregelverstößen zu treffen.
Die Arbeit stellt die GenTact Toolbox vor, eine computergestützte Pipeline zur prozeduralen Generierung und 3D-Druck-Fertigung von kontextangepassten, ganzheitlichen Taktile-Haut-Systemen für Roboter, die durch eine spezifische Sensorverteilung und Formanpassung den herkömmlichen „One-Size-Fits-All"-Ansatz überwindet.
Die vorgestellte Arbeit präsentiert einen kontaktbedingungsgeführten Diffusionsmodellansatz, der aus RGB-Bildern und Kraftdaten hochauflösende taktile Bilder erzeugt und dabei durch signifikante Fehlerreduktion sowie realistische Texturrekonstruktion bestehende physikalische Simulationsmethoden übertrifft.
Die vorgestellte Arbeit führt ein 3D-dynamikbewusstes Manipulationsframework ein, das durch die Integration von 3D-Weltmodellierung und selbstüberwachtem Lernen eine räumliche Voraussicht ermöglicht, welche die Leistung von Manipulationsrichtlinien in Simulation und Realität ohne Einbußen bei der Inferenzgeschwindigkeit erheblich verbessert.
Dieses Paper stellt den PeRoI-Datensatz vor, der menschliches Verhalten gegenüber Robotern in verschiedenen Kontexten erfasst, und kombiniert diese Daten mit dem neuartigen NeuRoSFM-Modell, um die soziale Navigation von Robotern in öffentlichen Räumen durch präzisere Vorhersagen von Anziehung, Neutralität und Abstoßung zu verbessern.
Die Arbeit stellt LMPOcc vor, ein Plug-and-Play-Framework, das globale 3D-Besetzungskarten als Langzeitgedächtnis nutzt, um die lokale semantische Besetzungsvorhersage für autonomes Fahren zu verbessern und gleichzeitig durch kollaboratives Crowdsourcing globale Karten kontinuierlich zu aktualisieren.