864 Arbeiten
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.
Die Arbeit stellt LACE, ein lernbasiertes Framework vor, das mithilfe von Kontraktionsstabilität und einem Aufmerksamkeitsmechanismus glatte, umweltadaptive GNSS-Kovarianzdynamiken für die präzise Zustandsschätzung autonomer Rennwagen modelliert und garantiert.
Dieser Beitrag stellt ein interpretierbares multimodales Gestenerkennungssystem vor, das durch die späte Fusion von Inertial- und kapazitiven Sensordaten eine robuste, recheneffiziente und handsfreie Teleoperation von Drohnen und mobilen Robotern in gefährlichen Umgebungen ermöglicht.
Diese Arbeit stellt eine Reinforcement-Learning-Methode vor, die mithilfe von harmonischer UV-Mapping und skalierter gruppierten Faltungen in Simulationen trainiert wird, um deformierbare Objekte für das Abwischen von 3D-Oberflächen zu steuern und dabei sowohl die Pfadlänge als auch die Abdeckungsfläche im Vergleich zu früheren Ansätzen verbessert.
Die vorgestellte Arbeit entwickelt ein datengetriebenes Framework, das die Koopman-Operator-Theorie mit dem Safe Set Algorithmus kombiniert, um die Echtzeit-Steuerung nichtlinearer Robotersysteme mit Sicherheitsgarantien durch ein einziges quadratisches Programm zu ermöglichen.
Dieser Beitrag stellt eine Dual-Interaction-Aware Cooperative Control (DIACC)-Strategie vor, die mittels Multi-Agenten-Reinforcement-Learning und spezifischer Module zur Unterscheidung zwischen kooperativen und beobachtenden Interaktionen die Stauentlastung in gemischtem Verkehr mit autonomen und menschlich geführten Fahrzeugen verbessert.
Das Paper stellt GAIDE vor, einen neuronalen, informationsgestützten Probensammler, der mittels graphenbasierter Attention-Masking-Techniken sowohl die räumliche Struktur von Planungsproblemen als auch die spezifische Embodiment-Eigenschaft von Roboterarmen nutzt, um die Effizienz und Erfolgsrate von sampling-basierten Bewegungsplanern in hochdimensionalen Konfigurationsräumen zu verbessern.
Die Arbeit stellt den Act-Observe-Rewrite (AOR)-Rahmen vor, der multimodale Sprachmodelle befähigt, Robotermanipulationsaufgaben durch das visuelle Beobachten von Fehlern und das automatische Neu-Schreiben des zugrunde liegenden Python-Steuerungscode zwischen den Versuchen zu meistern, ohne dabei Demonstrationen, Reward-Engineering oder Gradienten-Updates zu benötigen.
Die Studie stellt einen vollautonomen Navigationsstapel für einen Boston Dynamics Spot-Roboter vor, der ohne GPU oder Netzwerkanbindung auf Edge-Hardware in untertägigen Minen mit unebenem Gelände und GPS-Ausfall operiert und dabei in Feldversuchen eine 100%ige Erfolgsrate bei der Navigation zu vorgegebenen Zielen erzielt.
Die Arbeit stellt PTLD vor, eine Methode zur Sim-to-Real-Übertragung, die durch Privilegierung von Tastsensoren in der realen Welt und latente Destillation robuste taktile Manipulationsfähigkeiten ermöglicht, ohne auf eine realistische Tastsimulation angewiesen zu sein.
Der Artikel stellt Many-RRT* vor, einen robusten, auf RRT*-Connect basierenden Algorithmus, der durch das parallele Planen zu mehreren inversen Kinematik-Lösungen in der Gelenkraum-Ebene die Effizienz und Erfolgsrate bei der Trajektorienplanung für serielle Manipulatoren mit vielen Freiheitsgraden signifikant verbessert.
Die Arbeit stellt MEMO vor, ein System, das durch die Aggregation und Verallgemeinerung von menschlichem Feedback zu korrigierenden Texten und Code-Vorlagen neuro-symbolische Roboter-Policies verbessert, um deren Fähigkeit zur Bewältigung neuer Manipulationsaufgaben zu erweitern.
Diese Arbeit stellt einen verteilten und dezentralen Rahmen zur visuellen Zustandsschätzung für die kooperative Transportlast mehrerer UAVs in GPS-abgeschirmten Umgebungen vor, der durch den Einsatz eines verteilten erweiterten Informationsfilters robuste und skalierbare Flugregelung auch bei Sensorausfällen ermöglicht.
Diese Arbeit stellt eine Methode vor, die durch Kombination von Distributional Reinforcement Learning und Imitation Learning risikobewusste, visuomotorische Steuerungsstrategien für mobile Manipulatoren in dynamischen Umgebungen entwickelt, die es Robotern ermöglichen, ihre Risikotoleranz dynamisch anzupassen und ihre Worst-Case-Leistung zu verbessern.