666 artículos
NaviGait es un marco jerárquico que combina la optimización de trayectorias con el aprendizaje por refuerzo para sintetizar locomoción bípeda robusta e intuitiva seleccionando y ajustando mínimamente patrones de marcha de una librería offline, lo que simplifica el diseño de recompensas y acelera el entrenamiento en comparación con métodos convencionales.
El artículo presenta RL-100, un marco de aprendizaje por refuerzo en el mundo real basado en políticas de difusión que unifica la imitación y el refuerzo para lograr un control robótico de alta frecuencia y un rendimiento del 100% en diversas tareas complejas, superando a operadores expertos y demostrando una robustez sin precedentes en despliegues reales.
El artículo presenta FALCON, un nuevo paradigma que mejora los modelos de visión-idioma-acción inyectando tokens espaciales 3D ricos derivados de modelos fundacionales en la cabeza de acción, logrando un rendimiento superior y una mayor robustez en tareas del mundo real sin comprometer el razonamiento lingüístico.
Este artículo demuestra que la planificación incremental reactiva puede resolverse de manera más eficiente mediante una serie de problemas independientes utilizando algoritmos de planificación casi-asintóticamente óptimos (ASAO), como EIT* y AORRTC, los cuales encuentran planes globales consistentes en entornos cambiantes sin necesidad de reutilizar explícitamente planes anteriores.
El artículo presenta SynHLMA, un marco innovador que genera secuencias de manipulación de manos para objetos articulados a partir de instrucciones en lenguaje natural, utilizando una representación discreta de la interacción mano-objeto y un modelo de lenguaje alineado para lograr tareas de generación, predicción e interpolación con aplicaciones en robótica.
El artículo presenta EgoMI, un marco que supera la brecha de encarnación en el aprendizaje por imitación al capturar trayectorias sincronizadas de manos y cabeza activa de demostraciones humanas, permitiendo a robots semihumanoides replicar estrategias de fijación visual dinámica mediante una política aumentada con memoria para lograr una manipulación robusta.
El artículo presenta PACS, un filtro de seguridad que garantiza el despliegue seguro de políticas de difusión mediante frenado consistente con la trayectoria y análisis de alcanzabilidad, preservando así el rendimiento de la tarea y superando a los métodos reactivos existentes en entornos dinámicos.
El artículo presenta AFRO, un marco de aprendizaje auto-supervisado que genera representaciones 3D conscientes de la dinámica mediante un proceso difusivo y la modelación conjunta de dinámicas directas e inversas, logrando un rendimiento superior en tareas de manipulación robótica sin necesidad de supervisión de acciones o reconstrucción geométrica explícita.
El artículo presenta UniBYD, un marco unificado que supera las limitaciones de la imitación humana en la manipulación robótica mediante un algoritmo de aprendizaje por refuerzo dinámico y una representación morfológica unificada, logrando un rendimiento superior al estado del arte al adaptar las políticas a las características físicas específicas de diversos robots.
Este artículo presenta el diseño e implementación de un sistema de localización relativa modular para el robot SnailBot, que fusiona la detección de marcadores ArUco, el flujo óptico y los datos de la IMU para lograr un posicionamiento preciso y robusto en tiempo real para tareas colaborativas.
Este artículo presenta un microflotador elástico de tres esferas impulsado magnéticamente que logra una propulsión neta y un control independiente mediante el colapso histérico no recíproco inducido por campos oscilantes, optimizado para aplicaciones médicas mínimamente invasivas.
El artículo presenta a *AirPulse*, un robot autónomo de 26 gramos inspirado en mariposas que logra por primera vez un vuelo controlado y cerrado en una plataforma alada sin cola, replicando las complejas ondulaciones corporales biológicas mediante un diseño de alas flexibles y una arquitectura de control jerárquica.
Este trabajo presenta un enfoque híbrido que combina aprendizaje y modelos para la adaptación reactiva de fuerzas internas en agarres multifingerados, utilizando una sensorización háptica multimodal para detectar deslizamientos en ~20 ms y optimizar las fuerzas normales mediante programación cuadrática, logrando así una estabilización cerrada en menos de 50 ms.
Este trabajo propone la Política de Calidad Adversarial Multimodal (MAQP), un marco que utiliza la optimización dual de parches heterogéneos y una estrategia de equilibrio a nivel de gradiente para generar ataques adversarios multimodales efectivos que garantizan la seguridad en el agarre guiado por visión de robots colaborativos.
El artículo presenta Pri4R, un enfoque que mejora los modelos de Visión-Lenguaje-Acción (VLA) al incorporar dinámicas del mundo mediante el aprendizaje de trayectorias de puntos 3D durante el entrenamiento, logrando así un control físico más preciso sin añadir sobrecarga computacional en la inferencia.
El artículo propone SPARC, un método de planificación de trayectorias para múltiples robots que utiliza un mecanismo de atención multi-cabeza mejorado con relaciones espaciales (RMHA) para priorizar dinámicamente la comunicación entre vecinos cercanos, logrando una tasa de éxito significativamente superior en entornos congestionados y una generalización cero-shot desde 8 hasta 128 robots.
El artículo presenta SPREAD, un marco de aprendizaje por imitación vitalicio que utiliza descomposición en valores singulares para preservar la geometría de las representaciones de tareas en subespacios de bajo rango, logrando así una transferencia de conocimiento estable y un rendimiento superior al estado del arte en el benchmark LIBERO.
Este trabajo investiga cómo las diferencias relacionadas con la edad afectan la percepción de la mirada deíctica en la interacción humano-robot, con el objetivo de mejorar el diseño de señales no verbales adaptativas para robots sociales que asisten a adultos mayores.
El artículo presenta Scale-Plan, un marco escalable que combina modelos de lenguaje grandes con planificación simbólica para generar representaciones de problemas compactas y relevantes, superando así los desafíos de alucinación y escalabilidad en la planificación de tareas a largo plazo para equipos de robots heterogéneos.
Este artículo presenta HMR-1, un robot de masaje jerárquico que integra un modelo de lenguaje visual para la localización de acupuntos y un módulo de control de bajo nivel, respaldado por el nuevo conjunto de datos multimodal MedMassage-12K y un benchmark para evaluar tareas de masaje en la atención sanitaria.