864 artículos
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.
Este artículo presenta un marco de cooperación entre un robot scout de patas y un rover sobre ruedas que utiliza la interacción locomotora del scout para mapear en línea la resistencia del terreno y estimar el riesgo de tránsito, permitiendo una navegación segura y eficiente en entornos planetarios deformables como dunas y cráteres.
Este trabajo presenta LACE, un marco de aprendizaje basado en redes neuronales que modela la dinámica temporal suave y estable de la covarianza del GNSS mediante restricciones de estabilidad de contracción, mejorando así la estimación de estado en vehículos de carreras autónomos en entornos desafiantes.
Este artículo presenta un marco de reconocimiento de gestos multimodal interpretable que fusiona datos inerciales y capacitivos mediante una razón de verosimilitud logarítmica para lograr una teleoperación robusta y eficiente de drones y robots móviles, superando las limitaciones de los métodos basados en visión.
Este trabajo propone un método basado en aprendizaje por refuerzo que utiliza mapeo UV armónico y convoluciones agrupadas escaladas en un simulador para planificar trayectorias de cobertura eficientes en objetos deformables sobre superficies 3D, validando su éxito en tareas de limpieza con un brazo robótico Kinova Gen3.
Este artículo propone un marco de control seguro para sistemas robóticos no lineales que combina un modelo de dinámica de Koopman aprendido a partir de datos con el algoritmo de conjunto seguro (SSA) para resolver restricciones de seguimiento y seguridad en un único programa cuadrático, validado exitosamente en un brazo robótico y un cuadrúpedo.
Este artículo propone la estrategia de control cooperativo DIACC, basada en Aprendizaje por Refuerzo Multiagente, que mejora la percepción de interacciones locales y globales entre vehículos automatizados y humanos en cuellos de botella para reducir la congestión en el tráfico mixto.
El artículo presenta GAIDE, un muestreador neuronal informado que utiliza enmascaramiento de atención basado en grafos para aprovechar la estructura espacial y la configuración del robot, mejorando así la eficiencia y la tasa de éxito en la planificación de movimientos de manipuladores robóticos.
El marco Act-Observe-Rewrite (AOR) demuestra que un agente multimodal basado en un modelo de lenguaje puede aprender a manipular objetos físicos mediante la síntesis y reescritura iterativa de código de control ejecutable guiado por observaciones visuales, logrando altas tasas de éxito en tareas robóticas sin necesidad de demostraciones, ingeniería de recompensas o actualizaciones de gradiente.
Este artículo presenta un sistema de navegación autónoma totalmente funcional para un robot cuadrúpedo en minas subterráneas que opera sin GPU ni conectividad de red, logrando una tasa de éxito del 100% en pruebas de campo mediante la integración de odometría LiDAR-inercial, planificación de caminos y control en tiempo real en hardware de borde de bajo consumo.
El artículo presenta PTLD, un enfoque novedoso de destilación de latentes táctiles privilegiados que permite aprender habilidades de manipulación dextra en el mundo real sin necesidad de simular sensores táctiles, logrando mejoras significativas en tareas de reorientación de objetos en comparación con políticas que solo utilizan la propiocepción.
El artículo presenta Many-RRT*, un algoritmo de planificación de trayectorias que mejora la eficiencia y el éxito en espacios de alta dimensión al explorar simultáneamente múltiples soluciones de cinemática inversa en paralelo, logrando trayectorias de mayor calidad y una tasa de éxito del 100% en comparación con métodos anteriores.