864 Arbeiten
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.
Die Arbeit stellt ELLIPSE vor, eine Methode zur evidenzbasierten Vorhersage robuster Wegpunkte und Unsicherheiten für mobile Roboter, die durch Domain-Augmentierung und Nachkalibrierung die Zuverlässigkeit in offenen, sicherheitskritischen Umgebungen wie Treppenhäusern verbessert.
Die Autoren stellen einen risikobewussten Formalismus vor, der die Bewertung von Systemtrajektorien unter Unsicherheit durch explizite Modellierung der Wechselwirkungen zwischen System und Umwelt ermöglicht, komplexe Zielkonflikte systematisch handhabt und eine konsistente Präferenzordnung für die autonome Fahrzeugsteuerung sicherstellt.
Die Arbeit stellt RoboMME vor, einen umfassenden Benchmark zur standardisierten Evaluierung von Gedächtnismechanismen in vision-language-action-Modellen für robotische Manipulation, der durch eine systematische Analyse verschiedener Gedächtnisarchitekturen aufzeigt, dass deren Effektivität stark von der spezifischen Aufgabe abhängt.
Diese Arbeit stellt eine integrierte Steuerungs- und Softwarearchitektur vor, die es einem kommerziellen Quadrocopter vom Typ Flyability Elios 3 ermöglicht, durch eine Echtzeit-Regelung mit onboard-Sensoren vollständig autonom und kontaktabhängig zerstörungsfreie Ultraschallprüfungen in unstrukturierten industriellen Umgebungen durchzuführen.
Die Arbeit stellt GIANT vor, ein neuartiges Multi-Agenten-Trajektorienplanungssystem, das globale Pfadintegration mit aufmerksamen Graph-Neuralen-Netzwerken kombiniert, um in dynamischen Umgebungen robustere Kollisionsvermeidung und effizientere Navigation als bestehende Basismodelle zu erreichen.
Diese Arbeit untersucht den Einsatz von Large Language Models zur teilautomatisierten Generierung von Python-Bindings für die große C++-Robotik-Bibliothek OMPL unter menschlicher Aufsicht, wobei ein Workflow vorgestellt wird, der durch gezieltes Prompt-Design häufige Fehler vermeidet und eine mit herkömmlichen Lösungen vergleichbare Laufzeitleistung erzielt.
Diese Arbeit stellt eine Pipeline für das autonome Parken vor, die durch die explizite Vorhersage der Absichten anderer Verkehrsteilnehmer aus deren Bewegungsverlauf die Genauigkeit der Vorhersage, die soziale Akzeptanz und den Erfolg der Aufgabe im Vergleich zu bestehenden Methoden verbessert.
Das Paper stellt LEGS-POMDP vor, ein modulares System, das Sprache, Gesten und visuelle Beobachtungen in einem POMDP-Rahmen integriert, um die Unsicherheit bei der Objektsuche in teilweise beobachtbaren Umgebungen zu modellieren und so die Erfolgsrate gegenüber unimodalen Baselines signifikant zu steigern.
Die Arbeit stellt GenTact-Prox vor, eine vollständig 3D-gedruckte, modulare künstliche Haut, die taktile und Näherungssensoren integriert, um die Kontaktkommunikation zu ermöglichen und durch die datengetriebene Kartierung des perisensorischen Raums eine vorausschauende Kontakterkennung für Roboter in dynamischen Umgebungen zu unterstützen.
Die Autoren stellen einen auf dem NSGA-III-Algorithmus basierenden Optimierungsrahmen vor, der für modulare Roboter mit leicht lösbaren Gelenken Gangarten erzeugt, die durch Pareto-Optimierung die Gelenkbelastung minimieren und gleichzeitig Mobilität sowie Stabilität in verschiedenen Umgebungen gewährleisten.
Die vorgestellte Arbeit entwickelt und validiert einen selbstjustierenden Werkzeugwechsler mit passiven geometrischen Ausrichtelementen, der es modularen Robotern ermöglicht, Werkzeugwechsel auch bei Positions- und Orientierungsfehlern zuverlässig und autonom durchzuführen.
Diese Studie zeigt, dass eine adaptive Politikumschaltung für zweirädrige Differentialroboter beim Durchqueren von Lava-Röhren durch eine Klassifizierung des Geländetyps mittels kurzer Pitch-Daten-Serien und Gaußscher Mischmodelle mit über 98 % Genauigkeit ermöglicht werden kann.
Diese Studie stellt eine dezentrale Erkundungsmethode vor, die selbstorganisierende Roboterteams mit einem auf Large Language Models basierenden Ansatz zur autonomen Zielauswahl kombiniert, um die Effizienz und Robustheit in Szenarien ohne zentrale Steuerung zu verbessern.
Dieser Artikel stellt einen datengesteuerten Regelungsansatz vor, der ein neuronales Netzwerk für die Vorwärtsdynamik, einen gradientenbasierten modellprädiktiven Regler und Imitationslernen kombiniert, um die präzise Pfadverfolgung magnetisch angetriebener fischähnlicher Roboter ohne analytische Modellierung zu ermöglichen.
Die Arbeit stellt eine effiziente Methode vor, die Diffusionsrichtlinien durch die Ausrichtung der Policy-Iteration auf den Diffusionsprozess in ein on-policy Reinforcement-Learning-Framework integriert, wodurch die Berechnung der Log-Likelihood vereinfacht und die Leistung in verschiedenen Robotik- und Simulationsumgebungen verbessert wird.
Diese Arbeit untersucht die Generalisierungsfähigkeiten multimodaler Grundmodelle für offene Korrekturhilfen in synthetischen Umgebungen und zeigt, dass leistungsstarke Modelle Datensätze benötigen, die multimodale Verankerung, Fehlerinferenz und diverse Szenarien abdecken.
Die Arbeit stellt DRAIL vor, ein regionenbewusstes Augmentierungsframework, das durch die getrennte Behandlung von aufgabenrelevanten und -irrelevanten Bildbereichen die Generalisierbarkeit von visuellen Imitationslern-Modellen für landwirtschaftliche Manipulationsaufgaben unter variierenden visuellen Bedingungen signifikant verbessert.