864 artículos
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.
El marco de trabajo GUIDE propone un enfoque novedoso para la exploración autónoma en entornos complejos que combina la inferencia global de grafos con la toma de decisiones basada en difusión, logrando una cobertura más rápida y una reducción significativa de movimientos redundantes en comparación con los métodos actuales.
Este artículo presenta un sistema fiable para la localización de objetos lejanos en tareas de vigilancia crítica, como la monitorización de incendios forestales con drones, demostrando que la combinación de triangulación multivista o filtros de partículas con segmentación de imágenes y recursos computacionales a bordo permite estimar la posición, forma y incertidumbre de los objetos sin necesidad de reconstrucción 3D compleja ni configuraciones de sensores especializadas.
Este artículo presenta un enfoque que combina una política base entrenada en simulación con un refinamiento guiado por sensores aprendido de demostraciones en hardware, permitiendo la manipulación robusta y adaptable de herramientas articuladas en manos robóticas mediante transferencia sim-real sin necesidad de modelado físico preciso.
Este artículo presenta un protocolo de coordinación peer-to-peer para equipos de robots heterogéneos que utiliza modelos de lenguaje grande y lógica temporal para gestionar conflictos mediante solicitudes de ayuda en lenguaje natural, permitiendo una selección óptima de colaboradores que minimiza el tiempo total de ejecución sin depender de un asignador centralizado.
Este trabajo presenta EgoTraj-Bench, el primer benchmark del mundo real para la predicción de trayectorias en visión ego-centrica bajo observaciones ruidosas, junto con BiFlow, un modelo de flujo de doble corriente que logra un rendimiento superior al estado del arte al denoizar observaciones históricas y predecir movimientos futuros mediante un mecanismo de anclaje ego.
Este trabajo presenta un protocolo basado en la Búsqueda Basada en Conflictos (CBS) que permite la planificación de movimiento multiagente eficiente y sin colisiones para equipos heterogéneos de robots con tareas independientes, al integrar diversos solucionadores de planificación individual como A*, RRT, optimización, difusión y aprendizaje por refuerzo mediante una API estandarizada.
Este artículo presenta Seeing the Bigger Picture (SBP), un enfoque de aprendizaje de políticas para manipulación móvil que utiliza un mapa latente 3D para integrar observaciones multivista y memoria a largo plazo, logrando un razonamiento espacial y temporal superior que mejora significativamente el rendimiento en comparación con los métodos basados únicamente en imágenes.
El artículo presenta MachaGrasp, un marco de generación de agarres dextrógenos de extremo a extremo y consciente de la morfología que permite la generalización entre diferentes manos robóticas mediante el uso de embeddings morfológicos y un conjunto de eigengrasp, logrando altas tasas de éxito tanto en simulación como en experimentos del mundo real con adaptación de pocos ejemplos.
Este artículo presenta CBF-RL, un marco que integra Funciones de Barrera de Control (CBF) directamente en el entrenamiento de aprendizaje por refuerzo para internalizar restricciones de seguridad en la política aprendida, permitiendo un despliegue seguro y robusto en robots reales sin necesidad de filtros de seguridad en tiempo de ejecución.
Este artículo presenta las Funciones de Barrera de Hiperplano (H-CBF), un enfoque que optimiza la orientación del hiperplano de separación para obtener una función de barrera menos restrictiva que las basadas únicamente en la distancia, garantizando la seguridad mientras permite un control más cercano al deseado en sistemas dinámicos que navegan cerca de obstáculos complejos.