864 articles
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.
Le papier présente ACCURATE, un cadre de reconstruction 3D robuste et précis pour les corps continus de forme arbitraire, tels que les cathéters, qui combine un réseau de segmentation d'images et un algorithme de programmation dynamique pour garantir une cohérence géométrique biplanaire et atteindre une erreur absolue moyenne inférieure à 1,0 mm.
Le papier présente ReconDrive, un cadre prédictif en une seule passe qui améliore la reconstruction 4D de scènes de conduite autonome en adaptant le modèle de fondation VGGT via des têtes de prédiction hybrides et une composition statique-dynamique, offrant ainsi une qualité compétitive avec les méthodes d'optimisation itérative mais avec une vitesse de traitement bien supérieure.
Cet article présente une méthode d'apprentissage par imitation approximative permettant à un quadrotor de voler à grande vitesse dans des environnements encombrés en utilisant uniquement une caméra événementielle, en contournant le coût computationnel de la simulation d'événements grâce à un apprentissage en ligne basé sur des états simulés légers.
Le papier présente FeasibleCap, un système de collecte de démonstrations robotiques « gripper-in-hand » qui fournit un guidage d'exécutabilité en temps réel via des superpositions visuelles et des retours haptiques, permettant aux démonstrateurs de corriger immédiatement les trajectoires inaccessibles sans nécessiter de matériel robotique ni de modèles appris.
Cet article présente trois algorithmes de dead reckoning pour chiens (DDR) utilisant uniquement des capteurs inertiels et validés sur des données réelles et robotiques, démontrant que les méthodes assistées par réseaux de neurones surpassent les approches basées sur des modèles pour atteindre une précision de localisation supérieure à 90 %.
Cet article présente SMAT, une méthode d'entraînement multi-agents en quatre étapes qui permet à un exosquelette de hanche de co-s'adapter de manière stable avec l'utilisateur, réduisant ainsi l'activation musculaire de 10,1 % et fournissant une assistance mécanique positive cohérente sans nécessiter de recalibrage spécifique à chaque sujet.
Le papier présente GeoLoco, un cadre de locomotion pour humanoïdes utilisant uniquement des images RGB, qui exploite les priors géométriques d'un modèle visuel fondationnel figé pour apprendre une politique de contrôle robuste capable d'un transfert zéro-shot réussi du simulateur vers le robot Unitree G1.
Cet article présente un cadre de validation quantitatif pour des contrôleurs d'exosquelette entraînés par apprentissage par renforcement en simulation, démontrant qu'ils peuvent réduire efficacement les moments articulaires biologiques et prédire avec précision les couples d'assistance, tout en soulignant les défis persistants du transfert vers la réalité.
Le papier présente PanoDP, un cadre d'apprentissage sans communication qui combine la perception de profondeur panoramique à quatre vues et des signaux d'entraînement basés sur la physique différentiable pour améliorer la navigation autonome sans collision dans des environnements encombrés et partiellement observables.
Le papier présente TempoFit, une méthode d'amélioration sans entraînement des politiques Vision-Language-Action pré-entraînées pour la manipulation à long terme, qui intègre une mémoire temporelle de type FIFO au niveau des couches en réutilisant les clés et valeurs d'attention existantes pour surmonter les limitations des approches sans mémoire.
Le papier présente AtomicVLA, un cadre unifié de planification et d'exécution qui surpasse les modèles VLA existants en apprenant et en composant dynamiquement des compétences atomiques via un mélange d'experts guidé par les compétences, permettant ainsi une acquisition continue de compétences pour des tâches robotiques à long horizon.
Cet article propose un cadre de planification de trajectoire pour l'exploration multi-robots hors-terre basé sur une cartographie de croyance gaussienne et une couverture à double domaine, permettant de découvrir efficacement des preuves rares dans des environnements dangereux tout en gérant les biais des zones d'intérêt et les contraintes de communication.
Ce papier présente le DAISS, un système robotique téléopéré à deux bras qui utilise un apprentissage par imitation sensible aux phases pour automatiser de manière précise et coordonnée les interventions guidées par ultrasons, en apprenant des stratégies d'experts à partir de démonstrations limitées.
Cet article présente un cadre de téléopération open-source et peu coûteux pour les manipulateurs mobiles bimanuels, utilisant du matériel grand public comme des smartphones et des pédales pour offrir un contrôle intuitif du corps entier tout en réduisant la charge cognitive par rapport aux méthodes traditionnelles.
Le papier présente UniUncer, un cadre léger et unifié qui améliore la fiabilité de la conduite autonome de bout en bout en estimant et en exploitant conjointement les incertitudes statiques et dynamiques pour optimiser la planification.
Ce papier présente RoboPCA, un cadre d'apprentissage centré sur la pose qui prédit conjointement les régions de contact et les poses d'interaction à partir de démonstrations humaines, en utilisant une pipeline de curation de données nommée Human2Afford pour surmonter les incohérences des méthodes existantes et améliorer la manipulation robotique.
C-Explorer est un cadre décentralisé pour l'exploration multi-drones qui améliore l'efficacité de l'allocation des tâches en intégrant la contiguïté spatiale et la connectivité, réduisant ainsi considérablement le temps d'exploration et la longueur des trajectoires par rapport aux méthodes actuelles.
Ce papier présente AeroPlace-Flow, un cadre sans apprentissage qui permet aux manipulateurs aériens d'exécuter des tâches de placement d'objets basées sur des instructions linguistiques en synthétisant des images de but, en les ancrant dans l'espace 3D et en inférant un flux d'objet évitant les collisions.
Ce papier propose de reconfigurer l'interaction humain-IA-robot comme un processus d'étayage où les humains agissent en tant que directeurs créatifs guidant le comportement robotique, l'IA servant de médiateur pour soutenir l'agence humaine et la créativité plutôt que de se concentrer sur l'autonomie ou l'efficacité.