864 artículos
El artículo presenta MEMO, un enfoque que mejora las políticas de manipulación neuro-simbólicas agregando correcciones de retroalimentación humana local en una biblioteca de habilidades recuperable para sintetizar guías de texto y plantillas de código generalizadas que permiten al robot adaptarse a tareas novedosas.
Este artículo presenta un marco de estimación de estado distribuido y descentralizado basado en visión para el transporte cooperativo de cargas suspendidas mediante múltiples UAVs en entornos sin GPS, el cual fusiona mediciones de cámaras monocular mediante un filtro de información extendido para lograr un control robusto y escalable incluso ante pérdidas de sensores o comunicación.
Este trabajo presenta un marco de aprendizaje por refuerzo consciente del riesgo que entrena políticas visuomotoras para la manipulación móvil mediante un maestro de aprendizaje por refuerzo distribuido y destilación por imitación, permitiendo a los robots tomar decisiones adaptativas y seguras en entornos dinámicos no estructurados.
El artículo presenta ELLIPSE, un método de aprendizaje evidencial que genera waypoints y distribuciones de incertidumbre robustas para robots móviles mediante aumentación de dominio ligera y recalibración isotónica, demostrando mejoras significativas en la tasa de éxito y la cobertura de incertidumbre en escenarios críticos como la predicción de waypoints en escaleras.
Este artículo presenta un formalismo consciente del riesgo para evaluar trayectorias de sistemas bajo incertidumbre, que modela explícitamente la influencia del sistema en su entorno para generar un orden de preferencia coherente y mejorar la explicabilidad en la selección de trayectorias, como se demuestra en un ejemplo de conducción autónoma.
El artículo presenta RoboMME, un benchmark estandarizado a gran escala para evaluar y avanzar en las políticas de robots generalistas que incorporan memoria, mediante la creación de 16 tareas de manipulación y la prueba de 14 variantes de modelos VLA para demostrar que la eficacia de las representaciones de memoria depende altamente de la tarea específica.
Este trabajo presenta un sistema de control y software integrado que permite la inspección no destructiva por ultrasonidos totalmente autónoma y en contacto con un dron comercial Flyability Elios 3 en entornos industriales no estructurados, validando la viabilidad de adaptar plataformas comerciales para tareas de inspección física segura.
Este artículo presenta GIANT, un enfoque innovador que integra la planificación de rutas globales con redes neuronales gráficas atencionales para lograr una navegación multi-robot más robusta, eficiente y libre de colisiones en entornos dinámicos complejos.
Este trabajo presenta un flujo de trabajo que combina la asistencia de modelos de lenguaje grandes (LLM) con la supervisión humana para generar automáticamente y de manera eficiente los bindings de Python para la gran biblioteca de robótica OMPL, logrando un rendimiento comparable al de las soluciones tradicionales mientras se mitigan errores comunes mediante un diseño cuidadoso de los prompts.
Este trabajo propone una nueva metodología para el estacionamiento autónomo que mejora el rendimiento al seleccionar plazas basándose en la predicción explícita de las intenciones de otros vehículos a partir de su historial de movimiento, superando así a enfoques existentes que dependen de predicciones de movimiento a corto plazo o modelos implícitos.
El artículo presenta LEGS-POMDP, un sistema modular basado en procesos de decisión de Markov parciales que integra lenguaje, gestos y observaciones visuales para permitir que los robots busquen objetos en entornos abiertos y parcialmente observables, logrando una alta tasa de éxito al modelar explícitamente la incertidumbre sobre la identidad y la ubicación del objetivo.
Este artículo presenta GenTact-Prox, una piel artificial totalmente impresa en 3D que integra sensores táctiles y de proximidad para la anticipación de contactos, la cual es modular, adaptable a cualquier morfología robótica y se utiliza junto con un marco de datos para mapear el espacio perisensorial y permitir operaciones en línea conscientes de los objetos.
Este artículo presenta un marco de optimización basado en el algoritmo NSGA-III que genera patrones de marcha para robots modulares con articulaciones desmontables, logrando un equilibrio óptimo entre la minimización de la carga en las articulaciones y el mantenimiento de la movilidad y estabilidad en diversos entornos.
Este artículo presenta y valida un sistema de cambio de herramientas autoalineable para robots modulares, que utiliza geometrías pasivas de acoplamiento y una estación de intercambio rotativa para lograr un reconfiguración robusta y autónoma a pesar de errores de posicionamiento y orientación.
Este estudio demuestra que es posible estimar el tipo de terreno con una precisión superior al 98% utilizando la desviación estándar de los datos de cabeceo del robot en ventanas cortas, lo que habilita un cambio adaptativo de políticas para que robots de dos ruedas naveguen autónomamente por túneles de lava lunares.
Este estudio propone un método de exploración descentralizado para enjambres de robots que combina algoritmos de autoorganización para la formación dinámica de equipos con una estrategia novedosa basada en modelos de lenguaje grandes (LLM) para la selección autónoma de objetivos de exploración, validando su eficacia mediante simulaciones a gran escala.
Este artículo presenta un marco de control basado en datos que combina un modelo de dinámica forward entrenado con redes neuronales, un control predictivo basado en gradientes y aprendizaje por imitación para lograr una navegación precisa y en tiempo real de robots blandos con forma de pez accionados magnéticamente, superando así los desafíos de la dinámica de fluidos no lineal y la histéresis sin depender de modelos analíticos.
Este trabajo propone un método eficiente para entrenar políticas de difusión en entornos de aprendizaje por refuerzo on-policy mediante la alineación de la iteración de políticas con el proceso de difusión, lo que permite calcular la probabilidad con una simple distribución gaussiana, incorporar regularización de entropía y lograr un rendimiento superior en tareas multimodales.
Este artículo investiga las fortalezas y debilidades de los datos para la asistencia abierta en entornos corporificados, demostrando mediante un modelo multimodal fine-tuned en el dominio sintético de Overcooked que la generalización efectiva a comportamientos y configuraciones no vistos requiere conjuntos de datos diversos que abarquen la fundamentación multimodal, la inferencia de defectos y la exposición a múltiples escenarios.
Este artículo presenta DRAIL, un marco de aumento de datos que mejora la generalización del aprendizaje por imitación en manipulación agrícola al distinguir y procesar de manera diferenciada las regiones visuales relevantes para la tarea y las irrelevantes, logrando así políticas más robustas frente a variaciones en el entorno.