864 articles
Ce papier propose une architecture de contrôle résiduel alignée sur la stabilité qui permet aux systèmes robotiques de récupérer rapidement des perturbations dynamiques imprévues en ajustant uniquement une couche additive bornée, sans retraining ni modification des paramètres de la politique nominale.
Cet article présente un robot multi-pattes équipé d'antennes tactiles biomimétiques à compliance graduée qui, en convertissant la déformation mécanique en états de collision discrets, permettent une navigation autonome et fiable dans des environnements confinés sans recours à la vision ni à une information globale.
Cet article présente l'Inverse Resistive Force Theory (I-RFT), un cadre d'apprentissage automatique informé par la physique qui permet aux robots d'estimer les propriétés mécaniques des terrains granuleux à partir de forces de contact mesurées lors de mouvements naturels, tout en quantifiant l'incertitude pour optimiser l'exploration autonome.
Cette étude démontre qu'une fonction de coût unique et agnostique vis-à-vis du sujet et de la posture, dont les poids varient dans le temps et sont estimés via l'apprentissage par renforcement inverse, permet de prédire avec une grande précision les mouvements de reaching humains en privilégiant la régulation de l'accélération articulaire.
Ce papier présente MWM, un modèle du monde mobile qui améliore la navigation vers un objectif visuel grâce à un entraînement en deux étapes et une distillation d'état cohérente avec l'inférence, garantissant ainsi des prédictions visuelles stables et efficaces pour la planification.
Le papier présente STEP, une méthode d'apprentissage par renforcement conditionnée par des préférences qui permet aux robots d'optimiser le compromis entre la densité de remplissage et le temps d'exécution dans l'emballage 3D en ligne, réduisant ainsi le temps opérationnel de 44 % sans compromettre la densité de chargement.
Ce papier présente un système de planification conjointe humain-machine à double mode qui atténue l'incertitude et infère l'intention humaine via des conversations actives et une modélisation probabiliste, démontrant ainsi une réduction significative des coûts d'interaction et du temps d'exécution dans des environnements réels et simulés.
Cet article présente un cadre novateur pour la planification collaborative drone-humain qui remplace le transfert de contrôle par une élicitation active d'informations via un mécanisme de raisonnement neuro-symbolique (MINT) et des modèles de langage, permettant ainsi de résoudre les ambiguïtés environnementales avec moins d'interactions humaines et un taux de réussite accru dans des tâches complexes.
Cet article propose un cadre de contrôle unifié pour les manipulateurs aériens qui intègre un modèle aérodynamique physique et un estimateur d'erreurs résiduelles basé sur l'apprentissage, permettant une compensation robuste des perturbations du vent et des effets de proximité lors des opérations de contact avec des parois.
Ce papier comble le fossé entre la planification par programmation dynamique et l'apprentissage par renforcement en développant une version déterministe de ce dernier, en établissant mathématiquement les conditions d'équivalence entre minimisation des coûts et maximisation des récompenses, et en préconisant l'optimisation d'un « vrai coût » plutôt que l'usage de paramètres arbitraires.
Cet article présente un pipeline de préhension guidé par le langage et agnostique au point de vue, qui combine la détection d'objets ouverte, la compensation de profondeur et la complétion de nuages de points pour permettre à un robot quadrupède avec bras manipulateur d'exécuter des prises sûres et robustes dans des environnements encombrés et partiellement observés, atteignant un taux de succès de 90 % contre 30 % pour une méthode de référence dépendante de la vue.
Ce papier propose une interface d'observation consciente de la tâche qui transforme les entrées visuelles brutes en représentations sémantico-géométriques normalisées, permettant aux politiques visuomotrices d'améliorer considérablement leur robustesse face aux changements d'apparence hors distribution sans nécessiter de réentraînement.
Ce papier présente une méthode utilisant l'entropie de transfert pour identifier les actions robotiques influentes lors d'interactions humain-robot, démontrant ainsi son potentiel pour améliorer la conception et l'adaptabilité des systèmes robotiques.
Le papier présente RoboRouter, un cadre d'acheminement de politiques sans entraînement qui améliore les taux de réussite des tâches de manipulation robotique en sélectionnant dynamiquement la meilleure politique parmi un ensemble hétérogène grâce à l'expérience d'exécution accumulée et à des représentations sémantiques des tâches.
Le papier propose NaviDriveVLM, un cadre découplé pour la conduite autonome qui sépare le raisonnement de haut niveau d'un grand modèle navigateur de la génération d'actions via un pilote léger, permettant ainsi de surmonter les compromis entre compréhension sémantique et contrôle précis tout en surpassant les modèles VLM existants sur le benchmark nuScenes.
Le papier présente DyQ-VLA, un cadre de quantification dynamique pour les modèles Vision-Language-Action qui, en adaptant la précision des bits en temps réel grâce à des proxies cinématiques, réduit considérablement l'empreinte mémoire et accélère l'inférence tout en préservant les performances.
Cette étude présente un cadre d'autonomie purement visuelle pour la navigation bronchoscopique robotisée, utilisant une hiérarchie d'agents à court et long terme ainsi qu'un critique basé sur un modèle du monde pour atteindre des cibles préopératoires sans suivi externe, démontrant ainsi une faisabilité préclinique comparable à celle d'un expert humain.
Cet article présente un cadre d'apprentissage unique intégrant une pénalité de pose de pied dangereuse dense et une cartographie d'élévation LiDAR affinée par un réseau de neurones, permettant aux robots humanoïdes de réaliser une locomotion omnidirectionnelle sûre et stable sur des escaliers et des terrains complexes.
Ce papier propose un cadre d'optimisation global piloté par les trajectoires, inspiré de la stratégie d'évolution CMA-ES, pour modéliser de manière unifiée les paramètres structurels et hydrodynamiques couplés des mécanismes sous-actués et des robots mous sous-marins, permettant ainsi une reproduction fidèle de leur comportement et une transférabilité efficace entre différents systèmes sans recalibrage manuel.
Le papier propose RAPID, un cadre d'inférence collaboratif edge-cloud innovant conçu pour optimiser le partitionnement des modèles VLA en atténuant les interférences du bruit visuel et en préservant la continuité physique des mouvements grâce à la prise en compte de la redondance, permettant ainsi d'obtenir une accélération allant jusqu'à 1,73 fois avec une surcharge minimale.