689 Arbeiten
Diese Arbeit stellt ein neuartiges, visuell gestütztes Systemidentifikationsframework für autonomes Rennfahren vor, das durch die Kombination eines CNN-basierten Reibungspriors und eines S4-Modells zur Erfassung dynamischer Residuen die Genauigkeit der Tire-Parameter-Schätzung erheblich verbessert und die Konvergenz bei Kaltstarts beschleunigt.
Die Autoren stellen einen Echtzeit-Rahmen vor, der durch Implizite Maximum-Likelihood-Schätzung und bidirektionale Chamfer-Distanz ein Conditional-Flow-Matching-Modell in einen schnellen, einstufigen Schüler-Algorithmus destilliert, um latenzfreie, multimodale Trajektorien für die robotische Manipulation zu ermöglichen.
Diese Arbeit stellt Open-World Motion Forecasting vor, ein neuartiges Szenario für autonomes Fahren, das durch ein end-to-end Framework mit Pseudo-Labeling und einem neuen Replay-Sampling-Verfahren die Herausforderung des katastrophalen Vergessens beim sequenziellen Erlernen neuer Objektklassen direkt aus Kamerabildern bewältigt.
Diese Arbeit stellt einen vorkonditionierten SE(3)-Stein-Variational-Gradienten-Descent-Ansatz vor, der die Ergodizitätsoptimierung für die robotische Abdeckung komplexer 3D-Oberflächen verbessert, indem sie SE(3)-Geometrie erhält und konvexe Optimierungsprobleme überwindet.
Das Papier stellt SEA-Nav vor, einen Reinforcement-Learning-Rahmen für vierbeinige Roboter, der durch differentiable Barrieren-Funktionen, adaptive Replay-Mechanismen und kinematische Constraints eine sichere und agile Navigation in dicht bepackten Umgebungen mit nur wenigen Minuten Trainingszeit in der realen Welt ermöglicht.
Diese Arbeit stellt ein vascularisiertes robotisches System vor, das durch eine Kombination aus Fluidik und UV-Licht in der Lage ist, Sensoren aus internen Vorräten direkt im Körper zu synthetisieren, um so die physische Anpassungsfähigkeit und Verhaltenskontrolle in Echtzeit zu erweitern.
Die Arbeit stellt StyleVLA vor, ein physikinformiertes Vision-Language-Action-Modell auf Basis von Qwen3-VL-4B, das durch einen hybriden Verlust und einen umfangreichen Datensatz mit 1,2k Szenarien diverse, physikalisch plausible Fahrmanöver in verschiedenen Fahrstilen generiert und dabei proprietäre Modelle wie Gemini-3-Pro deutlich übertrifft.
Die Arbeit stellt Context-Nav vor, ein trainingsfreies System für die textbasierte Instanznavigation, das durch die Nutzung kontextueller Beschreibungen als globaler Erkundungsprior und eine viewpoint-bewusste 3D-Raumverifikation den State-of-the-Art auf Benchmarks wie InstanceNav und CoIN-Bench erreicht.
Die Arbeit stellt mit RuleSafe einen neuen Benchmark für langfristige Manipulationsaufgaben an artikulierten Objekten vor und schlägt VQ-Memory vor, eine kompakte, vektorquantisierte Gedächtnisdarstellung, die die Planung und Generalisierung von Vision-Language-Action-Modellen in nicht-Markovschen Umgebungen signifikant verbessert.
Die Arbeit stellt NS-VLA vor, ein neuartiges neuro-symbolisches Vision-Language-Action-Framework, das durch den Einsatz eines symbolischen Encoders, eines symbolischen Lösers und Online-Reinforcement-Learning die Daten-effizienz, Generalisierbarkeit und Explorationsfähigkeit von Robotern in Manipulationsaufgaben verbessert.
Die Studie zeigt, dass bei begrenztem Optimierungsbudget die Evolution von spezialisierten Roboterkontrollern in einem Schwarm zu einer ineffizienteren Zusammenarbeit führt als generalistische Verhaltensweisen, wodurch sich Task-Spezialisierung nicht zwangsläufig als effizienter erweist.
Diese Arbeit stellt ein Trajektorienoptimierungsverfahren vor, das die selbstwickelnde Umleitung von Seilen bei der Manipulation verformbarer Objekte explizit berücksichtigt und durch eine Relaxierungshierarchie sowie implizite Spannungsbedingungen effizientere Manöver ermöglicht, die Drehmomente durch gezielte Seilumlenkung nutzen.
Der Artikel stellt ReTac-ACT vor, einen visuo-taktilen Imitationslern-Ansatz, der durch bidirektionale Kreuzaufmerksamkeit, eine propriozeptionsgesteuerte Gating-Mechanik und ein taktiler Rekonstruktionsziel die Präzisionsmontage in stark verdeckten Bereichen mit einer 90-prozentigen Erfolgsrate bei der NIST-M1-Benchmark deutlich verbessert.
Die Arbeit stellt SCDP vor, einen Sensor-geführten Diffusionsansatz, der durch eine gemischte Beobachtungstraining-Methode die robuste Steuerung von humanoider Lokomotion ausschließlich auf Basis onboarder Sensoren ermöglicht und dabei den Bedarf an komplexer Zustandsabschätzung eliminiert.
Diese Arbeit stellt einen propriozeptiven Rahmen für quadrupede Roboter vor, der durch die Kombination einer 2,5-D-Terrain-Schätzung mit sicherheitskritischen Kontrollbarrierefunktionen eine robuste und sichere Fortbewegung in unebenem Gelände ohne externe Sensoren ermöglicht.
Dieser Artikel stellt einen zweistufigen Ansatz zur Abdeckung nicht-konvexer Umgebungen mit mehreren Hindernissen vor, der auf einem generalisierten Voronoi-Graphen basiert, um durch Lastausgleich und kollaborative Steuerung eine effiziente Roboterverteilung und -steuerung zu gewährleisten.
Die Arbeit stellt OTPL-VIO vor, ein robustes stereo-visuell-inertiales Odometrie-System, das durch lernfreie Linien-Deskriptoren und eine auf optimaler Transporttheorie basierende Zuordnung sowie eine adaptive Unsicherheitsgewichtung die Genauigkeit und Stabilität in texturarmen und beleuchtungswechselnden Umgebungen verbessert.
Die Arbeit stellt DRIFT vor, einen Dual-Representation Inter-Fusion Transformer, der durch eine parallele Architektur aus Punkt- und Säulenpfaden lokale sowie globale Kontextinformationen aus 4D-Radarpunktwolken effektiv fusioniert und damit die Leistung bei der Objekterkennung und Straßenabschätzung für automatisiertes Fahren signifikant verbessert.
Das Paper stellt Robotic Scene Cloning (RSC) vor, eine Methode zur zero-shot Anpassung von Robotern an neue Umgebungen durch visuelle Prompt-Editierung bestehender Trajektorien, die eine zuverlässige Generalisierung ohne umfangreiche Datensammlung ermöglicht.
Die Arbeit stellt ein neuartiges, robustes und effizientes spikendes Steuerungsframework vor, das auf dem Prinzip der freien Energie basiert, bei dem Neuronen nur feuern, wenn sie die freie Energie ihrer internen Repräsentation verringern, und damit sowohl biologische Plausibilität als auch hohe Störresistenz für neuromorphe Hardware bietet.