864 Arbeiten
Diese Arbeit stellt Hyperplane Control Barrier Functions (H-CBFs) vor, die durch die Optimierung der Orientierung der trennenden Hyperebene weniger restriktive und dennoch sichere Steuerungen für dynamische Systeme ermöglichen als herkömmliche distanzbasierte Ansätze.
Die vorgestellte Arbeit stellt einen kinodynamischen Task-and-Motion-Planer vor, der durch eine hybride Zustandsbaumdarstellung, die Validierung mittels physikalischer Simulation und die visuelle Rückverfolgung durch ein Vision-Language-Modell (VLM) die Erfolgsraten und Effizienz bei komplexen Langzeitplanungsproblemen im Vergleich zu bestehenden Methoden signifikant verbessert.
Die Arbeit stellt SpikeATac vor, einen multimodalen taktilen Finger mit dynamischer PVDF- und statischer kapazitiver Sensorik, der in Kombination mit einem Reinforcement-Learning-Ansatz das bisher unerreichte In-Hand-Manipulieren zerbrechlicher Objekte durch einen dexterousen Roboterhand ermöglicht.
Diese Arbeit stellt eine neue Klasse von Konus-Kompensationsalgorithmen vor, die direkt aus klassischen Runge-Kutta-Integrationsroutinen abgeleitet werden und durch Lie-Theorie höhere Ordnungen ermöglichen, wobei ein einfacher Fall zu einem etablierten Algorithmus reduziert wird.
Die Arbeit stellt ROVER vor, einen regulatorgesteuerten Ansatz zur robusten temporalen Verifizierung von Black-Box-Roboterpolitiken mittels Signal-Temporal-Logic, der durch gezieltes Nachtrainieren die Einhaltung temporaler Sicherheitsanforderungen in simulierten und realen Umgebungen signifikant verbessert.
Das Paper stellt ObAct vor, ein Framework für aktives visuelles Imitationslernen, bei dem ein Roboterarm als Beobachter eine 3D-Gaussian-Splatting-Repräsentation erstellt und eine optimale Kameraposition einnimmt, um die Sichtbarkeit für den ausführenden Arm zu maximieren und so die Robustheit der Politik gegenüber Verdeckungen signifikant zu verbessern.
Das Paper stellt MarketGen vor, eine skalierbare Simulationsplattform mit einem agentenbasierten, prozeduralen Inhaltsgenerierungsframework, das realistische Supermarktumgebungen erstellt und einen neuen Benchmark für die Bewertung von Embodied-AI-Agenten bei komplexen Aufgaben wie dem Kassenentladen und der Regalbestückung bietet.
Das Paper stellt LAP vor, einen Latent-Diffusions-Planer für autonomes Fahren, der durch die Planung in einem VAE-gelernten latenten Raum und einen einzelnen Denoising-Schritt sowohl die Inferenzgeschwindigkeit um das Zehnfache steigert als auch den State-of-the-Art auf dem nuPlan-Benchmark erreicht.
Der Artikel stellt GRAND vor, einen hybriden, hierarchischen Algorithmus, der lernbasierte globale Guidance mit effizienter Optimierung kombiniert, um die Durchsatzleistung von Multi-Agenten-Systemen in Lagerhäusern um bis zu 10 % zu steigern und dabei Echtzeit-Anforderungen zu erfüllen.
Dieses Paper stellt TEMPO-VINE vor, den ersten multimodalen öffentlichen Datensatz mit Echtzeit-Sensordaten aus verschiedenen Weinbergen, der speziell entwickelt wurde, um die Forschung zu Sensorfusion, SLAM und Ortung unter realen und sich verändernden landwirtschaftlichen Bedingungen zu fördern.
Die Arbeit stellt NeuralRemaster vor, eine modellunabhängige Methode namens Phase-Preserving Diffusion (φ-PD), die bei der Generierung von Bildern und Videos die Phasenkomponente des Eingabesignals bewahrt, um strukturerhaltende und geometrisch konsistente Ergebnisse für Aufgaben wie Re-Rendering und Sim-to-Real-Transfer zu ermöglichen.
Dieses Paper stellt eine rechnerisch effiziente Methode zur Mollifikation vor, die nicht-differenzierbare Wegpunkte in glatte, ausführbare Pfade mit garantierter Krümmungsgrenze umwandelt und somit Echtzeit-Anwendungen auf Mikrocontrollern für nicht-holonome Roboter ermöglicht.
Diese Arbeit stellt ein bi-direktionales, adaptives Framework vor, das die autonome Landung von UAVs auf mobilen Plattformen durch die Umwandlung des passiven „Verfolgen-und-Absteigen"-Paradigmas in eine aktive, gekoppelte Optimierung revolutioniert, bei der die Plattform proaktiv ihre Neigung anpasst, um eine agile und präzise Landung zu ermöglichen.
Das Paper stellt EmboTeam vor, ein Framework für die kollaborative Aufgabenerfüllung heterogener Roboterteams, das die semantische Stärke von Large Language Models mit der Zuverlässigkeit klassischer PDDL-Planer und reaktiver Behavior Trees verbindet, um die Erfolgsrate bei komplexen Haushaltsaufgaben signifikant zu steigern.
Das MOSAIC-Framework ermöglicht die skalierbare autonome Koordination heterogener Roboterteams für wissenschaftliche Erkundung in feindlichen Umgebungen durch eine einheitliche Missionsabstraktion, was in einem lunaren Analogexperiment unter Beweis gestellt wurde, indem ein Team trotz des Ausfalls eines Roboters 82,3 % der Aufgaben mit nur geringer Operator-Belastung erfolgreich abschloss.
Die Arbeit stellt DDP-WM vor, ein effizientes Weltmodell, das durch die Entflechtung von primären physikalischen Dynamiken und sekundären Hintergrundaktualisierungen die Inferenzgeschwindigkeit um das Neunfache steigert und gleichzeitig die Erfolgsrate bei robotischen Planungsaufgaben im Vergleich zu dichten Transformer-Modellen signifikant verbessert.
Die Arbeit stellt das neue Problem der explorativen und fokussierten Manipulation (EFM) vor, führt den EFM-10-Benchmark sowie die Bimanual Active Perception (BAP)-Strategie ein und validiert deren Wirksamkeit durch ein neu erstelltes Datenset und Imitationslernen.
Das Paper stellt MAE-Select vor, ein neuartiges Framework, das vortrainierte Multi-View-Masked-Autoencoder nutzt, um in der robotischen Manipulation dynamisch den informativsten Kamerawinkel auszuwählen und so die Leistung von Ein-Kamera-Systemen zu verbessern und teilweise sogar Mehr-Kamera-Setups zu übertreffen.
Diese Arbeit stellt einen neuartigen, unendlich-dimensionalen Ansatz für die geschlossene Regelkreis-Inverse Kinematik (CLIK) bei weichen Robotern vor, der differenzierbare neuronale Operatoren nutzt, um die Abbildung von Aktuation auf die Robotergestalt zu erlernen und so die Steuerung unteraktuatorischer Systeme durch die Berücksichtigung der gesamten Form im Aufgabenraum zu ermöglichen.
Die vorgestellte Scout-Rover-Kooperation nutzt ein beinbasiertes Robotersystem zur Echtzeit-Kartierung der Bodenfestigkeit, um die traversierbaren Bereiche für Radfahrzeuge in gefährlichen, nachgiebigen planetaren Umgebungen sicher zu erweitern.