677 Arbeiten
Diese Studie zeigt, dass verschiedene Roboterversagensarten die wahrgenommene Zuverlässigkeit unterschiedlich stark beeinträchtigen, wobei Fehler in der Zielsetzung weniger schädlich sind als mechanische Ausfälle oder Einfrieren und der Erfolg durch nachfolgende erfolgreiche Aktionen wiederhergestellt werden kann.
Diese Arbeit stellt ein neuartiges hierarchisches Regelungsframework vor, das eine indirekte adaptive Schätzung unbekannter Lastparameter mit einem modellprädiktiven Regler und einem nichtlinearen Ganzkörperregler kombiniert, um quadrupede Roboter robust beim Transport schwerer statischer und dynamischer Lasten über unebenes Gelände zu steuern.
Dieses Paper stellt einen neuartigen Sicherheits- und Passivitäts-basierten nichtlinearen modellprädiktiven Regler (SEP-NMPC) vor, der durch die Integration strenger Passivitätsungleichungen und hochordnender Kontrollbarrierefunktionen (HOCBFs) stabile und kollisionsfreie Transporte von Lasten mit einem Quadrokopter in komplexen Umgebungen garantiert.
Die Arbeit stellt APPLV vor, ein adaptives Lernverfahren, das vortrainierte Vision-Language-Modelle nutzt, um Parameter klassischer Navigationsplanner vorherzusagen und so die Sicherheit traditioneller Ansätze mit der Generalisierungsfähigkeit moderner VLA-Modelle in komplexen Umgebungen zu vereinen.
Diese Arbeit stellt eine adaptive SINDy-Methode vor, die Sparse Identification of Non-Linear Dynamics mit einem RLS-adaptiven Regler kombiniert, um Störungen in turbulenten Umgebungen bei UAVs effektiv zu identifizieren und zu kompensieren, was zu einer verbesserten Trajektorienverfolgung im Vergleich zu herkömmlichen PID- und INDI-Reglern führt.
Die Studie zeigt, dass kanalzentrische Modelle für private 5G-Netze die End-to-End-Durchsatzleistung unzureichend vorhersagen, da sie die dynamische Anpassung von MIMO-Schichten überbewerten, während datengetriebene Ansätze wie Gauß-Prozesse deutlich genauere Ergebnisse liefern.
Die Arbeit stellt PSANE vor, ein Framework für die propriozeptive sichere Navigation und Exploration in deformierbaren planetaren Umgebungen, das mittels Gauß-Prozess-Regression auf Basis von Bein-Boden-Interaktionen Traversierbarkeitsmodelle lernt und diese in eine reaktive Steuerung integriert, um unbekannte Granularterrains sicher zu erkunden.
Die Arbeit stellt ein infrastrukturloses magneto-induktives Lokalisierungssystem vor, das einem leichten UAV ermöglicht, autonom mit Zentimetergenauigkeit auf einem mobilen quadrupeden UGV zu schweben, diesem zu folgen und sicher zu landen, indem es magnetische Sensoren mit einer eingebetteten Schätzpipeline und einem erweiterten Kalman-Filter kombiniert.
Diese Arbeit stellt eine verteilte, formationsbewusste adaptive konformalisierte Vorhersagemethode vor, die heteroskedastische Wahrnehmungsfehler berücksichtigt und durch die Integration in eine CBF-QP-Steuerung die Sicherheit und Sichtbarkeit in visionbasierten Leader-Follower-Roboterschwärmen unter Unsicherheit gewährleistet.
Das Paper stellt FAME vor, ein force-adaptives Reinforcement-Learning-Framework, das die Stabilität eines vollskaligen Humanoiden unter externen Handkräften verbessert, indem es eine stehende Policy auf einen latenten Kontext konditioniert, der Gelenkkonfigurationen und Interaktionskräfte kodiert, was zu einer signifikant höheren Erfolgsrate bei der Manipulation führt und ohne Drehmoment-Sensoren am Handgelenk funktioniert.
Die Arbeit stellt SurgCalib vor, ein markerloses Framework zur Hand-Augen-Kalibrierung des da Vinci-Operationsroboters, das mittels Gaußschem Splatting und einer zweiphasigen Optimierung unter RCM-Bedingungen präzise Kalibrierungsergebnisse ohne zusätzliche fiduzielle Marker erzielt.
Diese Arbeit verwandelt die Inspire RH56DFX-Hand durch Hardware-Kalibrierung, einen MuJoCo-Sim2Real-Modellansatz und einen hybriden Kraft-Geschwindigkeits-Regler in ein zuverlässiges Forschungsinstrument, das die Erfolgsrate bei Greif- und Einsetzaufgaben im Vergleich zu bestehenden Baselines signifikant steigert.
Die Arbeit stellt den CMA-ES-IG-Algorithmus vor, der durch die explizite Berücksichtigung von Nutzererwartungen und die Generierung von wahrnehmbar unterschiedlichen Trajektorien das Lernen von Benutzerpräferenzen in der Mensch-Roboter-Interaktion effizienter, robuster und nutzerfreundlicher gestaltet als bestehende Methoden.
Die Arbeit stellt PlayWorld vor, ein skalierbares, vollständig autonomes System, das hochpräzise Videoweltmodelle für Roboter ausschließlich durch unüberwachtes Selbstspiel lernt und damit physikalisch konsistente Interaktionen sowie eine signifikant verbesserte Realwelt-Leistung im Vergleich zu auf menschlichen Demonstrationen basierenden Ansätzen ermöglicht.
Der Artikel stellt ImpedanceDiffusion vor, ein hierarchisches Framework für die Schwarmnavigation von UAVs in überfüllten Innenräumen, das auf diffusionsbasierten globalen Pfadplanern, reaktiver APF-Verfolgung und semantisch angepasster Impedanzregelung basiert, um in Sim-to-Real-Experimenten eine hohe Erfolgsrate und kollisionsfreie Manövrierfähigkeit zu erreichen.
Die vorgestellte Arbeit führt das GateFusion-BiLSTM-Netzwerk ein, das durch die adaptive Fusion von Amplituden- und Phaseninformationen aus Wi-Fi-Kanalzustandsdaten (CSI) die Genauigkeit und Geschwindigkeitsrobustheit bei der Erkennung robotischer Aktivitäten im Vergleich zu reinen Amplitudenansätzen signifikant verbessert.
Diese Arbeit stellt eine kostengünstige, autonome bimanuelle mobile Manipulatorplattform vor, die auf dem Open-Source-Framework XLeRobot basiert und durch ein optimiertes mechanisches Design, eine spezielle Tri-Bus-Stromversorgung sowie eine NVIDIA Jetson Orin Nano für die eingebettete Autonomie unter 1300 Dollar ermöglicht.
Die Arbeit stellt „Quality over Quantity" (QoQ) vor, eine systematische Methode zur automatischen Kuratierung hochwertiger Roboterdemonstrationsdaten mittels Einflussfunktionen, die nachweislich die Leistung von Lernpolitiken in simulierten und realen Umgebungen verbessert.
Die vorgestellte Arbeit präsentiert ein neuartiges, annotierungsfreies Framework, das mithilfe von Sprachmodellen und physikbasierten Verfeinerungen UAV-3D-Trajektorien und Klassifizierungsinformationen direkt aus Internetvideos ableitet und durch Zero-Shot-Transfer auf öffentlichen Benchmarks nahezu state-of-the-art Ergebnisse erzielt.
Diese Arbeit stellt einen Regelungsrahmen für automatisierte Fahrzeuge vor, der durch gezielte Erzeugung hoher Schlupfwerte während leerer Fahrten eine sichere und präzise Schätzung des maximalen Reifen-Fahrbahn-Reibungskoeffizienten ermöglicht.