864 Arbeiten
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.
Diese Arbeit stellt eine neuartige, risikobewusste Belohnungsfunktion für das Reinforcement Learning im autonomen Fahren vor, die durch eine hierarchische Strukturierung und die Erweiterung von Sicherheitskonzepten die Kollisionsrate um durchschnittlich 21 % senkt und gleichzeitig die Fahrleistung verbessert.
Diese Arbeit stellt ein neuartiges Framework für die Trajektorienvorhersage im autonomen Fahren vor, das durch die Begrenzung auf zulässige Fahrwege und die Einhaltung kinematischer Constraints sowohl die Vorhersage von Fahrten außerhalb der Straße als auch physikalisch nicht machbare Trajektorien effektiv verhindert und dabei eine robuste Generalisierungsfähigkeit aufweist.
Diese Arbeit stellt ein automatisches Curriculum-Learning-Framework vor, das durch einen „Lehrer"-Agenten adaptive und auf die Lernfähigkeit des Fahragents abgestimmte Fahrszenarien generiert, um die Trainingseffizienz und Generalisierungsfähigkeit von Reinforcement-Learning-Modellen für autonomes Fahren im Vergleich zu festen Szenarien und Domänenrandomisierung signifikant zu verbessern.
Die Arbeit stellt C* vor, einen neuartigen, auf Rapidly Covering Graphs basierenden Algorithmus zur Echtzeit-Abdeckung unbekannter Umgebungen, der durch effiziente Sampling- und Pruning-Techniken vollständige Abdeckung garantiert und in Simulationen sowie Experimenten gegenüber bestehenden Methoden signifikant bessere Ergebnisse in Bezug auf Abdeckungszeit, Trajektorienlänge und Vermeidung von Lücken erzielt.
Das Paper stellt RoboPARA vor, ein von großen Sprachmodellen gesteuertes Framework für die parallele Aufgabenplanung bei Zweiarm-Robotern, das durch einen zweistufigen Prozess auf Basis von Abhängigkeitsgraphen die Effizienz und Zuverlässigkeit in komplexen Multitasking-Szenarien signifikant verbessert und dabei durch die Einführung des X-DAPT-Datensatzes erstmals eine umfassende Evaluierung ermöglicht.
Die Arbeit stellt Presymplectification Networks (PSNs) vor, ein neuartiges Framework, das durch die Einbettung dissipativer, durch Dirac-Strukturen beschriebener mechanischer Systeme in einen höherdimensionalen Mannigfaltigkeit und die anschließende Vorhersage mit symplektischen Netzen (SympNets) erstmals eine strukturerhaltende, datengetriebene Modellierung komplexer Mehrkörpersysteme wie des ANYmal-Roboters ermöglicht.
Die Autoren stellen ein Nachahmungs-Lernframework vor, das aus ungelabelten Bewegungsdaten von Hunden steuerbare und stilistisch konsistente Lokomotionscontroller für quadrupede Roboter ableitet, indem es kinodynamisches Retargeting mit einem verstärkenden Lernansatz kombiniert, um gattungstypische Gangarten und Übergänge ohne manuelle Kennzeichnung zu ermöglichen.
Diese Arbeit stellt ein sensorloses, 4-Kanal-bilaterales Teleoperationsverfahren für kostengünstige Manipulatoren vor, das durch eine störungsbeobachterbasierte Schätzung von Geschwindigkeit und externen Kräften stabile Kraftrückkopplung auch bei hohen Geschwindigkeiten ermöglicht und nachweislich die Erfolgsrate beim Imitationslernen verbessert.
Die Autoren stellen einen von PAL Robotics entwickelten, auf Vision Language Models basierenden Testansatz namens RVSG vor, der automatisch diverse, sicherheitsrelevante menschliche Verhaltensweisen generiert, um autonome mobile Roboter in Simulationen effizient und sicher auf ihre Zuverlässigkeit unter unsicheren Bedingungen zu prüfen.
Das Paper stellt LHM-Humanoid vor, ein Lernframework und Benchmark, das es einem humanoiden Roboter ermöglicht, durch eine einzige, auf Verstärkungslernen und DAgger-Distillation basierende Politik komplexe Langzeit-Lokomanipulationsaufgaben in diversen, unordentlichen Umgebungen ohne Umgebungs-Reset erfolgreich zu bewältigen.
Diese Arbeit stellt ein hybrides Framework vor, das einen offline trainierten neuronalen Netzwerks nutzt, um Online-Parameter eines modellprädiktiven Reglers für das agile und präzise Durchfliegen von Toren zu optimieren, was durch analytische Policy-Gradienten effizient trainiert wird und in Hardware-Experimenten hohe Beschleunigungen sowie eine robuste Störungsunterdrückung demonstriert.
Diese Arbeit stellt eine Reinforcement-Learning-Methode für die Navigation von Quadrotoren vor, die mittels privilegierter Zeit-Ankunfts-Karten und einer neuen Verlustfunktion Hindernisse erfolgreich umfliegt und sich sowohl in Simulationen als auch in 20 erfolgreichen Außenflügen bei Geschwindigkeiten bis zu 4 m/s bewährt hat.
Diese Arbeit erweitert den bestehenden Verantwortlichkeits-Metriken-Rahmen für die soziale Roboternavigation durch die Einführung einer Zeitnormalisierung für die Konfliktentstehung und eines neuen Engagement-Metriks zur Erfassung der Konfliktintensivierung, um in simulierten Szenarien die Qualität und Voraussicht kooperativer Konfliktlösungen bewerten zu können.
Die Arbeit stellt einen neuartigen Rahmen vor, der Diffusionsmodelle mit energieerhaltender Impedanzregelung verbindet, um durch das Lernen von Null-Kraft-Trajektorien aus Teleoperationsdaten kontaktreiche Manipulationsaufgaben wie das Einstecken von Stiften in Löcher mit hoher Präzision und Generalisierungsfähigkeit zu lösen.
Das Paper stellt GUIDE vor, ein neues Framework für die autonome Roboterkartierung, das durch die Kombination einer globalen Grapheninferenz mit einem Diffusions-basierten Entscheidungsmechanismus die Abdeckungsgeschwindigkeit in komplexen Innenräumen signifikant steigert und redundante Bewegungen reduziert.
Diese Arbeit stellt ein rechen-effizientes System zur 3D-Lokalisierung entfernter Objekte aus verrauschten Bildsegmentierungssequenzen vor, das entweder auf Multi-View-Triangulation oder Partikelfiltern basiert und sich besonders für die Überwachung von Waldbränden durch Drohnen eignet.
Diese Arbeit stellt einen Ansatz vor, der eine simulationsbasierte Grundpolitik durch eine sensorgeführte Verfeinerung auf Basis von Hardware-Demonstrationen ergänzt, um eine robuste und generalisierende In-Hand-Manipulation von artikulierten Werkzeugen mit dexterous Robotergreifern im realen Einsatz zu ermöglichen.