864 articles
Ce papier présente SEA-Nav, un cadre d'apprentissage par renforcement qui combine des contraintes de fonctions barrières différentiables, un mécanisme de rejou adaptatif et des contraintes cinématiques pour permettre à des robots quadrupèdes de naviguer de manière sûre et agile dans des environnements encombrés avec un temps d'entraînement de seulement quelques minutes.
Cet article présente un robot vascularisé capable de fabriquer ses propres capteurs de manière autonome par polymérisation photodéclenchée à partir de réserves internes, permettant ainsi une adaptation physique en temps réel et l'émergence de nouveaux comportements.
Le papier présente StyleVLA, un modèle d'action vision-langage fondé sur la physique et entraîné sur un jeu de données spécialisé, qui génère des trajectoires de conduite autonomes à la fois physiquement plausibles et adaptées à des styles de conduite variés, surpassant ainsi les modèles propriétaires et les approches actuelles.
Le papier présente Context-Nav, une méthode sans apprentissage spécifique qui améliore la navigation d'instances en utilisant des alignements texte-image denses pour guider l'exploration globale et une vérification 3D consciente du point de vue pour valider les candidats, atteignant ainsi des performances de pointe sur InstanceNav et CoIN-Bench.
Ce papier présente RuleSafe, un nouveau benchmark de manipulation articulée générant des tâches non markoviennes à long terme, ainsi que VQ-Memory, une méthode de représentation temporelle basée sur des auto-encodeurs variationnels quantifiés vectoriellement qui améliore significativement la planification et la généralisation des modèles d'action vision-langage dans des environnements simulés complexes.
Ce papier propose NS-VLA, un cadre neuro-symbolique pour les modèles Vision-Language-Action qui combine un encodeur symbolique, un solveur et un apprentissage par renforcement en ligne pour améliorer l'efficacité des données, la généralisation zéro-shot et l'exploration en robotique.
Cette étude démontre que, dans le cadre d'un scénario de fourragement avec un budget d'évaluation limité, l'évolution de comportements spécialisés pour des sous-tâches dans des essaims de robots peut échouer à assurer une coopération efficace et se révéler moins performante que des comportements généralistes, remettant ainsi en cause l'avantage systématique de la spécialisation sans analyse coût-bénéfice approfondie.
Cet article propose une méthode d'optimisation de trajectoire pour la manipulation d'objets plans tractés par câble, qui intègre implicitement les contraintes de tension et les phénomènes d'enroulement autonome du câble autour de l'objet pour optimiser la transmission des forces et des couples.
Le papier présente ReTac-ACT, une politique d'apprentissage par imitation vision-tactile intégrant un mécanisme de fusion bidirectionnel, un réseau de commutation conditionné à la proprioception et un objectif de reconstruction tactile, qui surpasse les méthodes existantes pour atteindre une précision sub-millimétrique dans des tâches d'assemblage complexes malgré les occlusions visuelles.
Ce papier présente SCDP, une approche utilisant des politiques de diffusion conditionnées aux capteurs et un entraînement par distillation d'observations mixtes pour permettre une locomotion humanoïde robuste sur un robot réel sans estimation d'état explicite ni capteurs externes.
Cet article propose un cadre intégrant une estimation de terrain 2,5D à partir de capteurs proprioceptifs et des fonctions barrières de contrôle pour assurer une locomotion sûre et robuste des robots quadrupèdes sur des terrains accidentés.
Cet article propose une approche de contrôle de couverture pour des systèmes multi-robots dans des environnements non convexes, basée sur un graphe de Voronoï généralisé et articulée en deux phases : un algorithme d'équilibrage de charge pondéré pour l'allocation optimale des robots et un contrôleur collaboratif pour la couverture efficace des sous-régions.
Cet article présente OTPL-VIO, un système de odométrie visuelle-inertielle stéréo robuste qui améliore la précision et la fiabilité dans des environnements à faible texture ou à éclairage variable en associant des segments de ligne via un transport optimal et des descripteurs profonds sans apprentissage, tout en adaptant dynamiquement le poids des contraintes de ligne pour atténuer le bruit de mesure.
Le papier présente DRIFT, une architecture Transformer à double représentation qui fusionne des caractéristiques locales et globales pour améliorer la détection d'objets et l'estimation de la route libre à partir de nuages de points radar 4D, surpassant ainsi les méthodes existantes sur des ensembles de données publics et internes.
Ce papier propose Robotic Scene Cloning (RSC), une nouvelle méthode qui améliore l'adaptation zéro-shot des robots en modifiant les trajectoires d'opérations existantes via une édition visuelle, permettant ainsi une généralisation efficace des tâches dans divers environnements simulés et réels.
Cet article propose un cadre de contrôle par épines neurales novateur et robuste qui implémente le principe de l'énergie libre en limitant le tir des neurones à la réduction de cette énergie, offrant ainsi une efficacité computationnelle élevée et une grande résilience aux perturbations tout en éclairant les mécanismes du contrôle cérébral.
Ce papier présente -Occ, un cadre innovant pour la prédiction d'occupation sémantique 3D qui assure une robustesse face aux entrées de caméras incomplètes grâce à une reconstruction masquée multi-vues et un module de mémoire de caractéristiques, améliorant ainsi significativement la précision dans des scénarios de défaillance critique.
Cet article propose SACA, un cadre d'alignement contrastif sensible aux étapes qui améliore la navigation vision-langage en environnement continu en extrayant une supervision dense des trajectoires imparfaites pour surmonter les limites des méthodes d'apprentissage par renforcement et de l'ajustement par supervision.
Cet article présente un robot continu à ressorts et tendeurs, inspiré de la locomotion des chenilles et équipé de capteurs à soies artificielles, conçu pour améliorer l'exploration et l'inspection de espaces confinés par des bras robotiques commerciaux.
Ce papier présente PanoAffordanceNet, un cadre novateur et un nouveau jeu de données 360-AGD conçus pour résoudre les défis de l'ancrage holistique des affordances dans les environnements intérieurs panoramiques en surmontant les distorsions géométriques et la dispersion sémantique grâce à des mécanismes de calibration et de densification spécifiques.