864 artículos
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.
Este artículo presenta un planificador TAMP cinodinámico que integra un árbol de estados híbrido, un planificador de movimiento externo y un modelo de lenguaje visual (VLM) para guiar la exploración y el retroceso, logrando tasas de éxito significativamente mayores y tiempos de planificación reducidos en comparación con los métodos tradicionales y basados en LLM.
Este trabajo presenta SpikeATac, un dedo táctil multimodal que combina sensores dinámicos y estáticos con un marco de aprendizaje por refuerzo para lograr la manipulación intra-manual de objetos frágiles mediante un control de fuerza preciso y delicado.
Este trabajo presenta una nueva clase de algoritmos de compensación de cono para sistemas de navegación inercial, derivados directamente de los métodos de integración de Runge-Kutta aplicando la teoría de Lie, los cuales generalizan métodos existentes y permiten la generación sistemática de algoritmos de orden superior.
El artículo presenta ROVER, un enfoque novedoso impulsado por reguladores que verifica y mejora iterativamente políticas de robots de caja negra mediante la evaluación de trazas de ejecución frente a requisitos de seguridad temporal expresados en Lógica Temporal de Señales (STL), logrando mejoras significativas en el cumplimiento de normas y la suavidad de navegación tanto en simulaciones como en robots físicos reales.
El artículo presenta ObAct, un marco novedoso de aprendizaje por imitación con visión activa que utiliza un sistema robótico de doble brazo con cámaras en la muñeca para construir dinámicamente una representación 3DGS, explorar virtualmente y mover el brazo observador a la posición óptima, logrando así políticas más robustas y eficaces que superan significativamente a los enfoques con cámaras estáticas.
MarketGen es una plataforma de simulación escalable que utiliza generación procedural basada en agentes para crear automáticamente entornos de supermercado realistas y diversos, abordando la falta de datos en entornos comerciales complejos mediante un nuevo benchmark con tareas de manipulación móvil y de larga duración validado con transferencia sim2real.
El artículo presenta LAP, un planificador de conducción autónoma basado en modelos de difusión que opera en un espacio latente para desacoplar las intenciones de alto nivel de la cinemática de bajo nivel, logrando así un rendimiento de vanguardia en el benchmark nuPlan con una aceleración de inferencia de hasta 10 veces en comparación con métodos anteriores.
El artículo presenta GRAND, un algoritmo híbrido que combina una política de redes neuronales gráficas entrenada por aprendizaje por refuerzo con optimización de flujo mínimo y asignación local para mejorar el rendimiento y reducir la congestión en la programación de flotas de robots en almacenes, superando a los métodos actuales en benchmarks de gran escala.
Este artículo presenta TEMPO-VINE, el primer conjunto de datos público multimodal y multitemporal que integra sensores heterogéneos en viñedos reales para evaluar y fomentar el desarrollo de sistemas robustos de localización, mapeo y reconocimiento de lugares en condiciones agrícolas complejas.
El artículo presenta NeuralRemaster, un método de difusión que preserva la fase de la imagen para generar resultados estructuralmente alineados y controlables en tareas como re-renderizado y mejora de simulaciones, sin requerir cambios arquitectónicos ni costos adicionales de inferencia.
Este trabajo presenta un método eficiente basado en la molificación para generar trayectorias suaves y diferenciables a partir de especificaciones de alto nivel, garantizando cotas de curvatura y viabilidad computacional para su implementación en tiempo real en robots no holonómicos.
Este artículo presenta un marco de aterrizaje cooperativo bidireccional para UAVs que supera las limitaciones de los métodos tradicionales al transformar el problema en una optimización acoplada donde la plataforma móvil actúa proactivamente inclinándose para facilitar un aterrizaje ágil, preciso y eficiente en escenarios dinámicos.
El artículo presenta EmboTeam, un marco de planificación para equipos de robots heterogéneos que integra el razonamiento de modelos de lenguaje grande con árboles de comportamiento reactivos mediante PDDL, logrando mejoras significativas en la ejecución de tareas complejas de largo alcance en entornos domésticos simulados.
El marco MOSAIC permite la exploración científica escalable y robusta mediante equipos de robots heterogéneos supervisados por un solo operador, logrando una alta tasa de éxito en tareas incluso ante fallos del sistema, como se demostró en un experimento de campo análogo a la exploración lunar.
DDP-WM es un modelo de mundo eficiente que supera las limitaciones computacionales de los modelos densos mediante la predicción dinámica desenredada, logrando una aceleración de inferencia de 9 veces y una mejora en la tasa de éxito de planificación en tareas robóticas complejas.
Este trabajo presenta el nuevo problema de Manipulación Exploratoria y Enfocada (EFM), junto con el benchmark EFM-10 y la estrategia de Percepción Activa Bimanual (BAP), para abordar la falta de información visual en tareas de manipulación complejas mediante la recolección activa de datos y el aprendizaje por imitación.
El artículo presenta MAE-Select, un marco novedoso que optimiza dinámicamente la selección de puntos de vista en sistemas robóticos de cámara única mediante representaciones de autoencoders enmascarados preentrenados, superando las limitaciones de las configuraciones fijas y, en algunos casos, igualando o excediendo el rendimiento de los sistemas multicámara.
Este trabajo propone un algoritmo de Cinemática Inversa de Bucle Cerrado (CLIK) de dimensión infinita para robots blandos que, al combinar mapas de forma a tarea con redes neuronales operadoras diferenciables para aprender la relación entre actuación y forma, permite resolver tareas de control considerando la geometría completa del robot.