867 Arbeiten
Diese Arbeit stellt eine Echtzeit-Methode zur eng gekoppelten GNSS-IMU-Integration mittels Faktorengraf-Optimierung vor, die durch inkrementelle Optimierung mit fester Verzögerung eine robuste Positionsbestimmung in stark urbanen Umgebungen ermöglicht.
Die Arbeit stellt MEM (Multi-Scale Embodied Memory) vor, ein Ansatz für Vision-Language-Action-Modelle in der Robotik, der durch die Kombination von video-basiertem Kurzzeit- und textbasiertem Langzeitgedächtnis die Bewältigung komplexer, langfristiger Aufgaben wie das Kochen oder Aufräumen ermöglicht.
Die Arbeit stellt UrbanHuRo vor, ein zweischichtiges Mensch-Roboter-Kollaborationsframework, das durch die gemeinsame Optimierung von heterogenen städtischen Diensten wie Lieferungen und Sensing mittels verteilter Algorithmen und Deep Reinforcement Learning die Abdeckung, das Einkommen und die Effizienz in Smart Cities signifikant verbessert.
Die Arbeit stellt CoCo-TAMP vor, ein hierarchisches Rahmenwerk für die Aufgaben- und Bewegungsplanung in teilweise beobachtbaren Umgebungen, das die Common-Sense-Reasoning-Fähigkeiten von Large Language Models nutzt, um den Zustand zu schätzen und die Planungs- sowie Ausführungszeit im Vergleich zu herkömmlichen Methoden erheblich zu verkürzen.
Die Arbeit stellt HALyPO vor, einen neuen Ansatz zur Lyapunov-basierten Policy-Optimierung für heterogene Agenten, der durch die Erzwingung einer monotonen Kontraktion der Rationalitätslücke in dezentralen Lernprozessen die Stabilität, Generalisierung und Robustheit in der Mensch-Roboter-Zusammenarbeit sicherstellt.
Das Paper stellt RAGNav vor, ein Framework für die mehrzielorientierte visuell-sprachliche Navigation, das durch ein Dual-Basis-Gedächtnis aus topologischen Karten und semantischen Wäldern sowie eine ankergeführte Abrufstrategie räumliche Halluzinationen reduziert und die sequenzielle Planung verbessert, um damit den State-of-the-Art in komplexen Navigationsaufgaben zu erreichen.
Diese Arbeit stellt einen bio-inspirierten, interaktionsorientierten Ganzkörperregler (IO-WBC) vor, der durch die Trennung von Oberkörper-Interaktion und Unterkörper-Stabilisierung sowie den Einsatz eines verstärkungslernbasierten Policies die stabile und nachgiebige cooperative Objekttransportierung in unstrukturierten Umgebungen ermöglicht, selbst wenn präzise Geschwindigkeitsnachführung unmöglich ist.
Die Arbeit stellt „Cognition to Control" (C2C) vor, ein dreischichtiges Hierarchiemodell, das Vision-Language-Modelle, dezentrales Multi-Agenten-Reinforcement-Learning und Ganzkörperregelung kombiniert, um die Lücke zwischen deliberativer Planung und stabiler, sicherer physischer Ausführung bei der Zusammenarbeit von Menschen und Humanoiden zu schließen.
Die Studie zeigt, dass vortrainierte Vision-Language-Action-Modelle im Vergleich zu kleineren Modellen, die von Grund auf neu trainiert werden, durch ihre Vortrainierung eine bemerkenswerte Widerstandsfähigkeit gegen katastrophales Vergessen im kontinuierlichen Lernen aufweisen und selbst mit einfachen Replay-Methoden neue Fähigkeiten erwerben können, ohne alte zu verlieren.
Das Paper stellt IROSA vor, ein Framework, das große Sprachmodelle nutzt, um Robotern über natürliche Sprache und eine schützende Werkzeugarchitektur anpassungsfähige Fähigkeiten wie Geschwindigkeitsregelung und Hindernisvermeidung ohne Feinabstimmung zu ermöglichen.
Die Arbeit stellt RVN-Bench vor, einen kollisionsbewussten Benchmark auf Basis von Habitat 2.0 und HM3D-Szenen, der das Training und die Evaluierung sicherer visueller Navigation für mobile Roboter in komplexen Innenräumen ermöglicht.
Die Arbeit stellt ein reaktives Missionsdesign-Framework vor, das durch die Kombination von Probabilistic Mission Design und reaktiven Schaltkreisen eine effiziente, online-fähige exakte probabilistische Inferenz für die Einhaltung von Verkehrsregeln in autonomen Systemen ermöglicht und damit eine signifikante Beschleunigung gegenüber herkömmlichen Methoden erreicht.
Diese Arbeit stellt ein biologisch inspiriertes Framework für online kontinuierliches Reinforcement Learning vor, das auf dem DreamerV3-Algorithmus basiert und durch die Nutzung von Weltmodell-Residuen zur Erkennung von Ausreißern sowie eine automatische Feinabstimmung ohne externe Überwachung robotischen Agenten eine selbstadaptive Verbesserung während des Betriebs ermöglicht.
Die Arbeit stellt Sim2Sea vor, ein umfassendes Framework, das durch einen GPU-beschleunigten Simulator, eine dual-strömige raumzeitliche Politik mit sicherheitsfördernder Aktionsmaskierung und gezielte Domänenrandomisierung eine zuverlässige Zero-Shot-Übertragung autonomer Navigationsstrategien von der Simulation auf reale, überfüllte maritime Umgebungen ermöglicht.
Die Arbeit stellt SaFeR vor, einen Ansatz zur Generierung sicherheitskritischer Szenarien für autonomes Fahren, der durch eine differenzielle Aufmerksamkeitsmechanik und eine auf dem größten zulässigen Bereich basierende Token-Neustichprobierung realistische, physikalisch machbare und gleichzeitig adversarische Testfälle erzeugt.
Der Artikel stellt GarmentPile++ vor, ein neuartiges System, das durch die Integration von Vision-Language-Reasoning, visueller Affordanzwahrnehmung und einem Dual-Arm-Kooperationsrahmenwerk die sichere und präzise Entnahme einzelner Kleidungsstücke aus unordentlichen Haufen für Roboter ermöglicht.
Diese Studie stellt einen physikbasierten neuromuskuloskelettalen Lernrahmen vor, der einen Hip-Exoskelett-Regler ausschließlich in der Simulation trainiert und durch Policy-Distillation erfolgreich auf Hardware überträgt, wodurch der Bedarf an aufwendigen Motion-Capture-Daten entfällt und eine skalierbare Entwicklung von Exoskelett-Controllern ermöglicht wird.
Die Arbeit stellt PRAM-R vor, ein adaptives Framework für autonomes Fahren, das mittels eines LLM-gesteuerten Modality-Routing-Verfahrens und eines hierarchischen Speichers in einem asynchronen Dual-Loop-Design die Sensoraktivität effizient steuert und dabei die Rechenkosten senkt, ohne die Trajektoriegeneauigkeit zu beeinträchtigen.
Das Paper stellt VANGUARD vor, ein leichtgewichtiges, deterministisches Werkzeug für UAVs in GPS-verweigerter Umgebung, das durch die Schätzung der Ground Sample Distance (GSD) anhand von Fahrzeugen als Referenzobjekte die räumliche Skalierung für LLM-basierte Agenten wiederherstellt und damit die Fehleranfälligkeit von reinen Vision-Language-Modellen bei der Flächenmessung erheblich reduziert.
Das Paper stellt RoboCasa365 vor, ein umfassendes Simulationsbenchmark für Haushaltsroboter, das mit 365 alltäglichen Aufgaben in 2.500 Küchenumgebungen sowie umfangreichen Demonstrationsdaten dient, um generalistische Roboterstrategien systematisch zu evaluieren und zu verbessern.