864 artículos
Este artículo presenta un enfoque para la conducción autónoma que equilibra diversos riesgos, como colisiones e infracciones de tráfico, mediante la extensión de métricas de riesgo a especificaciones de lógica temporal lineal (LTL) y su resolución eficiente a través de un problema de programación lineal, validando su eficacia en el simulador Carla.
Este trabajo presenta GenTact Toolbox, una tubería de diseño computacional que genera proceduralmente pieles artificiales táctiles de cuerpo completo personalizadas para la forma y el contexto operativo específicos de los robots, superando así las limitaciones de los diseños universales mediante la simulación orientada a tareas y la impresión 3D multimaterial.
Este artículo presenta un modelo de difusión guiado por condiciones de contacto que genera imágenes táctiles de alta fidelidad a partir de imágenes RGB y datos de fuerza, superando significativamente a los métodos basados en modelos físicos en precisión y capacidad de reconstrucción de texturas.
Este artículo presenta un marco de manipulación consciente de la dinámica 3D que integra el modelado del mundo en 3D y el aprendizaje de políticas mediante tareas de autoaprendizaje, dotando a los agentes de una "previsión 3D" que mejora significativamente su rendimiento en tareas con movimiento en profundidad sin sacrificar la velocidad de inferencia.
Este artículo presenta el conjunto de datos PeRoI, que captura las interacciones peatón-robot en diversas condiciones, y propone el modelo NeuRoSFM para mejorar la predicción de movimientos peatonales y la navegación socialmente consciente en entornos humanos.
El artículo presenta LMPOcc, un marco de aprendizaje colaborativo que integra priores de ocupación global en un mapa de memoria a largo plazo para mejorar la predicción local de ocupación 3D y permitir la construcción escalable de mapas globales mediante la fusión adaptativa de observaciones actuales y históricas.
Este trabajo propone un nuevo objetivo de recompensa para el Aprendizaje por Refuerzo en la conducción autónoma que integra una jerarquía de objetivos normalizados y una función elipsoidal de riesgo basada en la seguridad RSS, logrando reducir las colisiones en un 21% y mejorar el progreso en intersecciones no señalizadas.
Este artículo presenta un marco novedoso para la predicción de trayectorias en la conducción autónoma que garantiza la viabilidad física y la restricción a la vía mediante un enfoque de regresión guiada por límites, logrando una mayor robustez y generalización en escenarios adversos a pesar de una ligera reducción en las métricas de referencia.
Este artículo propone un marco de aprendizaje curricular automático que genera dinámicamente escenarios de conducción adaptados a la capacidad del agente, logrando una mayor eficiencia, convergencia más rápida y una mejor generalización en comparación con métodos tradicionales de entrenamiento por refuerzo.
El artículo presenta C*, un algoritmo de planificación de rutas de cobertura en tiempo real para entornos desconocidos que utiliza un Grafo de Cobertura Rápida (RCG) para generar trayectorias eficientes y completas, demostrando mediante simulaciones y experimentos físicos un rendimiento superior en tiempo, longitud de trayectoria y reducción de giros en comparación con otros métodos existentes.
El artículo presenta RoboPARA, un marco innovador impulsado por modelos de lenguaje grande que optimiza la planificación de tareas paralelas en robots de doble brazo mediante la generación de candidatos basada en grafos de dependencia y la recomposición de grafos, validado con el nuevo conjunto de datos X-DAPT y demostrando un rendimiento superior en eficiencia y fiabilidad frente a métodos existentes.
Este trabajo presenta las Redes de Presimpléctificación (PSNs), un marco innovador que restaura la geometría simpléctica en sistemas mecánicos con restricciones y disipación mediante estructuras de Dirac, permitiendo el aprendizaje de dinámicas físicas estables y precisas en robots multibody como el cuadrúpedo ANYmal.
Este trabajo presenta un marco de aprendizaje por imitación que, mediante la retargeting cinemático-dinámico de datos de movimiento no etiquetados, permite a los robots cuadrúpedos ejecutar y transitar entre patrones de locomoción estilísticamente consistentes y controlables por el usuario sin necesidad de etiquetado manual ni reglas de conmutación predefinidas.
Este artículo presenta y valida experimentalmente un marco de teleoperación bilateral de 4 canales sin sensores que permite el control de fuerza estable en manipuladores de bajo costo, mejorando significativamente el rendimiento del aprendizaje por imitación en tareas de manipulación rápida y con contacto.
Este artículo presenta RVSG, un enfoque de prueba basado en Modelos de Lenguaje Visual (VLM) desarrollado junto con PAL Robotics para generar escenarios de comportamiento humano que violan los requisitos de seguridad de los Robots Móviles Autónomos (AMR) industriales en simulación, permitiendo así identificar comportamientos inciertos de manera segura y eficiente.
El artículo presenta LHM-Humanoid, un marco de aprendizaje y un conjunto de datos que permiten a un agente humanoides ejecutar tareas complejas de locomoción y manipulación en entornos desordenados mediante una política unificada de extremo a extremo que supera a los métodos anteriores en generalización y robustez.
Este trabajo presenta un marco híbrido novedoso que combina el control predictivo de modelo (MPC) con una red neuronal entrenada mediante un gradiente de política óptimo analítico para lograr un vuelo ágil y preciso de drones a través de puertas estrechas, superando las limitaciones de los métodos tradicionales y de aprendizaje por refuerzo puro.
Este artículo presenta un método de navegación para cuadricópteros basado en aprendizaje por refuerzo que utiliza información privilegiada y mapas de tiempo de llegada para superar grandes obstáculos, logrando un 86% de éxito en simulaciones y validándose con vuelos reales sin colisiones en entornos exteriores complejos.
Este artículo presenta una extensión del marco de métricas para la navegación de robots sociales mediante la introducción de una normalización temporal para la fase de acumulación de conflictos y la propuesta de una nueva métrica de "compromiso" (Engagement) que, junto con la métrica de "responsabilidad", permite evaluar la calidad y la previsión en la resolución cooperativa de conflictos en interacciones entre humanos y robots.
Este trabajo presenta un marco de aprendizaje basado en difusión que combina modelos generativos con control de impedancia consistente con la energía para adaptar dinámicamente la rigidez y el amortiguamiento en tareas de manipulación con contacto, logrando una alta precisión y un rendimiento robusto en tareas complejas como la inserción de clavijas en agujeros.