867 artículos
Este trabajo presenta un método de integración en tiempo real y acoplado estrechamente de GNSS e IMU mediante optimización de grafos de factores, que logra estimación causal de estados y demuestra alta robustez en entornos urbanos degradados utilizando el conjunto de datos UrbanNav.
Este trabajo presenta MEM (Memoria Encarnada Multiescala), un enfoque que combina memoria a corto plazo basada en video y memoria a largo plazo basada en texto para permitir que los robots ejecuten tareas complejas de larga duración y adapten sus estrategias de manipulación en tiempo real.
El artículo presenta UrbanHuRo, un marco de colaboración humano-robot de dos capas que optimiza conjuntamente servicios urbanos heterogéneos mediante la integración de entregas y sensores, logrando mejoras significativas en la cobertura de sensores, los ingresos de los repartidores y la reducción de pedidos atrasados.
El artículo presenta CoCo-TAMP, un marco de planificación jerárquico que utiliza el razonamiento de sentido común de los modelos de lenguaje grandes para guiar la estimación de estados en entornos parcialmente observables, logrando reducciones significativas en el tiempo de planificación y ejecución tanto en simulación como en demostraciones del mundo real.
El artículo presenta HALyPO, un método de optimización de políticas que utiliza certificaciones de Lyapunov en el espacio de parámetros para estabilizar el aprendizaje descentralizado en la colaboración humano-robot, cerrando la brecha de racionalidad y mejorando la generalización y robustez ante la diversidad de comportamientos humanos.
El artículo presenta RAGNav, un marco de razonamiento topológico mejorado con recuperación que integra mapas topológicos y memoria semántica jerárquica para superar las alucinaciones espaciales y lograr un rendimiento óptimo en la navegación visual-lingüística multiobjetivo.
Este artículo presenta un control corporal completo orientado a la interacción (IO-WBC) inspirado biológicamente que, mediante la combinación de un generador de referencias y una política de aprendizaje por refuerzo, permite a los humanoides asistir en el transporte de objetos de manera estable y complaciente en entornos no estructurados, incluso bajo fuerzas de interacción fuertes y variables.
Este artículo presenta C2C, un marco jerárquico de tres capas que integra la percepción basada en modelos de lenguaje, la deliberación multiagente mediante juegos de potencial y el control corporal completo para lograr una colaboración robusta y adaptable entre humanos y humanoides en tareas de transporte cooperativo.
Este trabajo demuestra que los modelos preentrenados de visión, lenguaje y acción (VLA) son notablemente resistentes al olvido catastrófico en el aprendizaje continuo, logrando un rendimiento superior con estrategias simples de reproducción de experiencias gracias a la capacidad de retención de conocimientos que otorga el preentrenamiento a gran escala.
El artículo presenta IROSA, un marco innovador que combina modelos de lenguaje fundacionales con aprendizaje por imitación para permitir la adaptación de habilidades robóticas mediante comandos de lenguaje natural, utilizando una arquitectura basada en herramientas que garantiza seguridad y transparencia sin necesidad de ajuste fino del modelo.
El artículo presenta RVN-Bench, un nuevo estándar de evaluación para la navegación visual reactiva en entornos interiores que prioriza la seguridad y la evitación de colisiones mediante el uso del simulador Habitat 2.0 y escenas de alta fidelidad.
Este trabajo propone un marco de diseño de misiones reactivo que combina el diseño de misiones probabilístico (ProMis) con circuitos reactivos para permitir inferencias probabilísticas exactas en tiempo real sobre regulaciones de tráfico, logrando una aceleración significativa frente a métodos anteriores y permitiendo que sistemas de transporte inteligentes, como drones, garanticen activamente la seguridad y el cumplimiento legal durante sus operaciones.
Este trabajo presenta un marco de aprendizaje por refuerzo continuo en línea que permite a los agentes robóticos adaptarse autónomamente durante su despliegue mediante la detección de eventos fuera de distribución y el ajuste fino guiado por un modelo del mundo, superando así las limitaciones de los controladores estáticos tradicionales.
El marco Sim2Sea aborda el desafío de la navegación autónoma en aguas congestionadas mediante un simulador acelerado por GPU, una política de doble flujo con enmascaramiento de acciones seguro y una estrategia de aleatorización de dominio, logrando una transferencia exitosa cero-shot de una política entrenada en simulación a un vehículo marítimo no tripulado real de 17 toneladas.
El artículo presenta SaFeR, un método que genera escenarios críticos de seguridad para la conducción autónoma equilibrando la adversidad, la viabilidad física y el realismo mediante un mecanismo de atención diferencial y una estrategia de remuestreo de tokens restringida por la región factible más grande.
GarmentPile++ es un sistema novedoso que integra el razonamiento visión-idioma y la percepción de affordances visuales, potenciado por segmentación de objetos y cooperación bimanual, para recuperar de manera segura y precisa prendas individuales de pilas desordenadas en entornos reales y simulados.
Este trabajo presenta un marco de aprendizaje basado en simulación neuromusculoesquelética que entrena una política de control para exoesqueletos de cadera sin datos de captura de movimiento, logrando una transferencia exitosa a hardware real que reduce la activación muscular y el trabajo articular en diversas condiciones de marcha.
Este artículo presenta PRAM-R, un marco unificado de percepción, razonamiento, acción y memoria que utiliza un enrutador guiado por LLM para seleccionar adaptativamente los sensores en la conducción autónoma, logrando una reducción significativa de la carga computacional y una mayor estabilidad sin comprometer la precisión en escenarios urbanos complejos.
VANGUARD es una herramienta de percepción geométrica ligera y determinista que permite a agentes autónomos en entornos sin GPS recuperar la escala métrica absoluta estimando la Distancia Muestral del Suelo (GSD) mediante el análisis de vehículos como anclajes ambientales, superando así las alucinaciones espaciales de los modelos de visión-lingüísticos y garantizando un razonamiento espacial seguro.
El artículo presenta RoboCasa365, un marco de simulación a gran escala que ofrece 365 tareas cotidianas en 2.500 entornos de cocina diversos junto con miles de horas de datos de demostración, estableciendo un nuevo estándar reproducible para entrenar y evaluar robots generalistas en manipulación móvil doméstica.