859 articles
Ce tutoriel présente une introduction orientée contrôle aux systèmes de navigation inertielle assistée en utilisant une formulation géométrique basée sur le groupe étendu SE₂(3) pour fusionner les mesures inertielles avec des données d'aide, tout en explicitant les rôles de l'invariance et de la symétrie.
Le papier présente RoTri-Diff, un cadre d'apprentissage par imitation basé sur la diffusion qui améliore la manipulation bimanuelle en modélisant explicitement les interactions triadiques spatiales entre les deux bras et l'objet pour générer des trajectoires coordonnées et stables.
Cet article présente un cadre de contrôle optimal entièrement embarqué et guidé par la vision, baptisé Gate-SDF, qui intègre un champ de distance signé neuronal avec un contrôleur MPPI pour permettre à des drones de voler de manière agile à travers des portes arbitraires sans nécessiter de trajectoires de référence précalculées ni d'estimation explicite de pose.
Cet article propose un modèle du monde latent conscient de la cinématique, basé sur le RSSM, qui intègre des informations cinématiques et une supervision géométrique pour améliorer l'efficacité des données et la stabilité de l'apprentissage par renforcement dans la conduite autonome.
Ce papier présente une pince hybride rigide-douce intégrant des poches en silicone gonflables qui permettent d'ajuster dynamiquement le frottement de surface pour saisir avec sécurité des objets fragiles, lourds ou glissants sans augmenter la force de préhension.
Le papier propose Faster-HEAL, un cadre de perception collaborative léger et respectant la vie privée qui utilise un prompt visuel à faible rang et une fusion pyramidale pour aligner efficacement les caractéristiques d'agents hétérogènes sans nécessiter de réentraînement coûteux des modèles.
Cet article présente un cadre léger basé sur un jumeau numérique pour le suivi des véhicules et la prédiction de collisions dans les systèmes de transport intelligents, qui utilise uniquement la détection d'objets et des cartes de trajectoires pré-calculées pour atteindre une précision de 88 % tout en restant adapté au déploiement sur des dispositifs périphériques à ressources limitées.
Les auteurs proposent DistGP, une méthode d'apprentissage collaboratif multi-robots utilisant un processus gaussien parcimonieux et la propagation de croyances gaussienne pour entraîner un modèle global de manière distribuée et asynchrone, surpassant ainsi les approches existantes en termes de précision, de robustesse aux communications limitées et d'apprentissage continu.
Cet article de revue propose une perspective d'intelligence incarnée contrainte pour les robots sous-marins autonomes, en soulignant que la planification et le contrôle doivent intégrer les couplages physiques et environnementaux pour surmonter les incertitudes océaniques et atteindre une autonomie résiliente et vérifiable.
Cet article propose un cadre de contrôle prédictif par modèle mixte en nombres entiers qui planifie conjointement le placement des pieds et la durée des pas pour la locomotion humanoïde sur des terrains discontinus, en fusionnant des données de profondeur pour identifier des zones sûres et en intégrant des contraintes de capturabilité pour garantir la stabilité dynamique.
Ce papier présente LoRA-SP, une méthode de fine-tuning adaptatif qui remplace les mises à jour de rang fixe par une capacité variable basée sur l'entrée et la couche, permettant aux modèles d'actions vision-langage d'atteindre une meilleure généralisation et de réduire l'interférence entre tâches avec moins de paramètres que le fine-tuning complet ou le LoRA standard.
Cette étude établit des principes de couplage entre la morphologie et la stratégie de redressement pour les robots allongés, en démontrant que l'augmentation de la longueur des pattes impose un changement de contrôle pour éviter la surconcentration de couple et révèle un seuil critique au-delà duquel le redressement robuste devient difficile.
Cet article propose une nouvelle méthode de proprioception pour les robots continus microscopiques à commande par câbles, inspirée du mécanisme sensoriel des tendons et articulations humains, qui intègre des capteurs de force proximaux et une modélisation non linéaire pour permettre une perception précise des forces de contact tridimensionnelles et de la forme du robot, facilitant ainsi leur adoption clinique.
L'article présente LITHE, une architecture logicielle légère fonctionnant sur des ordinateurs monocartes standards, qui permet à un « cerveau » Python de modifier dynamiquement et sans interruption la logique d'un « squelette » de contrôle en temps réel C++ à 1 kHz, comblant ainsi le fossé entre l'intelligence artificielle de haut niveau et le contrôle robotique temps réel.
Ce papier présente SLNet, un réseau d'apprentissage profond ultra-léger et adaptatif géométriquement pour la reconnaissance de nuages de points 3D, qui atteint des performances compétitives sur plusieurs benchmarks avec une fraction des paramètres et de la complexité computationnelle des modèles de pointe actuels.
Le papier propose GSAT, une méthode d'estimation de la traversabilité par apprentissage auto-supervisé et détection d'anomalies qui construit une hypersphère positive dans l'espace latent pour classer les régions navigables sans nécessiter d'échantillons négatifs explicites ni de prototypes supplémentaires.
Le papier présente HSC-VLA, un cadre hiérarchique qui améliore considérablement la manipulation bimanuelle dans des environnements encombrés en découplant le raisonnement sémantique de haut niveau de l'exécution sensorimotrice via une abstraction de nettoyage de scène, atteignant ainsi un taux de succès de 86,7 % là où les modèles monolithiques échouent.
Ce papier propose un observateur innovant basé sur l'inversion dynamique d'un modèle monocycle linéaire couplé à une représentation des pneus par des équations aux dérivées partielles hyperboliques, permettant d'estimer avec précision l'angle de dérive et les forces de pneus à partir de mesures de vitesse de lacet et d'accélération latérale, même en présence de bruit et d'incertitudes.
Le papier présente InterReal, un cadre d'apprentissage par imitation unifié et basé sur la physique qui permet aux robots humanoïdes d'exécuter avec succès des tâches d'interaction humain-objet complexes dans le monde réel grâce à une augmentation de données et un apprentissage automatique des récompenses.
Le papier présente ICLR, un cadre novateur d'apprentissage par imitation en contexte qui améliore la robustesse et la généralisation des robots en intégrant des traces de raisonnement visuel structurées pour anticiper les trajectoires futures au sein d'un transformateur autoregressif unifié.