864 articles
Le papier présente STRIDE, un cadre d'apprentissage dynamique qui sépare la mécanique rigide conservatrice modélisée par un réseau de neurones lagrangien des effets d'interaction stochastiques capturés par l'appariement de flux conditionnel, afin d'améliorer la précision des prédictions et la fiabilité du contrôle pour les robots opérant dans des environnements incertains.
Le papier présente 3PoinTr, une méthode de préentraînement de politiques robotiques à partir de vidéos humaines informelles qui utilise des trajectoires de points 3D comme représentation intermédiaire pour surmonter l'écart d'incarnation et permettre un apprentissage efficace avec un nombre très limité de démonstrations robotiques.
Cet article présente ProReFF, un modèle de champ de caractéristiques probabiliste qui apprend implicitement les co-occurrences d'objets à partir de données non étiquetées pour guider efficacement un agent robotique dans la recherche d'objets, atteignant jusqu'à 80 % des performances humaines.
Les auteurs présentent l'Interactive World Simulator, un cadre utilisant des modèles de cohérence pour générer des simulations robotiques interactives, rapides et physiquement cohérentes, permettant d'entraîner et d'évaluer des politiques d'imitation avec des performances comparables à celles obtenues avec des données réelles.
Cet article propose l'algorithme OA-Bug, une méthode d'exploration pour essaims de robots autonomes en environnement dénié qui utilise des signaux olfactifs et auditifs pour atteindre un taux de couverture de 96,93 %, surpassant ainsi significativement l'algorithme SGBA.
Le papier présente RAG-Driver, un modèle de langage multimodal augmenté par la récupération qui utilise l'apprentissage en contexte à partir de démonstrations expertes pour générer des explications de conduite fiables et des prédictions de contrôle, tout en assurant une généralisation exceptionnelle à des environnements non vus sans nécessiter de réentraînement.
Le papier présente FALCON, une méthode d'apprentissage auto-supervisé unifiée pour la reconnaissance d'actions par drone, qui surmonte les déséquilibres spatiaux des vidéos aériennes en intégrant un masquage centré sur les objets et une reconstruction du futur à double horizon pour améliorer la précision et la vitesse d'inférence.
Cet article présente un cadre novateur de programmation non linéaire qui intègre efficacement la prise de décision hiérarchique à la planification et au contrôle cinématiques inverses en exploitant la norme pour résoudre des problèmes complexes comme la sélection simultanée de locations d'effecteurs ou de prises bimanuelles.
Ce papier présente le contrôle prédictif génératif, un cadre d'apprentissage supervisé qui combine la modélisation générative et le contrôle prédictif pour entraîner des politiques de robotique sur des tâches dynamiques difficiles à démontrer mais faciles à simuler, tout en permettant une rétroaction haute fréquence grâce à un amorçage temporel des modèles d'appariement de flux.
Ce papier présente CAPS, une méthode de rééchantillonnage prioritaire contextuel utilisant des VQ-VAE pour équilibrer les données d'apprentissage par imitation et améliorer la généralisation des systèmes de conduite autonome dans le simulateur CARLA.
Ce papier démontre l'efficacité surprenante d'une approche simple basée sur l'algorithme iLQR couplé à MuJoCo pour réaliser un contrôle prédictif modèle (MPC) en temps réel de robots quadrupèdes et humanoïdes, permettant une généralisation directe du simulateur au monde réel avec peu de considérations de transfert.
Cet article propose une méthode d'odométrie lidar en ligne basée sur un graphe qui améliore la précision et la cohérence à long terme en enregistrant chaque scan sur plusieurs sous-cartes superposées plutôt que sur une carte unique, permettant ainsi un raffinement rétrospectif des points d'ancrage.
Le papier présente FindAnything, un cadre de cartographie open-vocabulary qui intègre des informations vision-langage dans des sous-cartes volumétriques centrées sur les objets pour permettre une compréhension sémantique précise et économe en ressources, facilitant ainsi l'exploration autonome de grands environnements inconnus par des robots.
Ce papier présente une méthode de planification de manipulation et de sélection d'outils consciente de la robustesse, guidée par une métrique énergétique apprise, qui optimise conjointement le choix de l'outil et la trajectoire de manipulation pour résister aux perturbations externes.
Cet article propose une méthodologie structurée basée sur le méta-modèle MeROS et le modèle en V pour intégrer l'ingénierie système basée sur les modèles (MBSE) au développement de systèmes robotiques complexes utilisant ROS, afin d'améliorer leur cohérence sémantique et leur traçabilité.
Cet article propose un cadre innovant d'apprentissage par curriculum automatique pour la conduite autonome, où un agent « enseignant » basé sur l'apprentissage par renforcement multi-agents génère dynamiquement des comportements de trafic variés pour entraîner un agent « étudiant », améliorant ainsi la robustesse et l'équilibre de la conduite par rapport aux méthodes traditionnelles.
Ce papier présente un cadre interactif sans code doté d'une interface graphique et d'une représentation par graphes pour faciliter la génération de scénarios de conduite autonome dans CARLA, rendant ainsi la validation par simulation accessible aux utilisateurs non techniques tout en permettant une création manuelle ou automatisée de scénarios diversifiés.
Le papier présente VEGA, un agent de navigation pour véhicules électriques qui combine un opérateur neuronal informé par la physique pour estimer les paramètres du véhicule et un algorithme d'apprentissage par renforcement (PPO) pour planifier des itinéraires et des arrêts de recharge optimaux, démontrant une grande efficacité et une capacité de généralisation sur des réseaux routiers internationaux.
Cette étude présente un cadre multimodal qui améliore la précision de la prédiction des trajectoires d'aéronefs dans l'espace aérien sans tour de contrôle en fusionnant les communications radio des pilotes avec les données de trajectoire pour alimenter un modèle de prédiction probabiliste.
Le papier présente GLIDE, un cadre coopératif de recherche et de sauvetage associant deux drones aériens et un véhicule terrestre pour localiser rapidement des victimes et naviguer en toute sécurité dans des environnements inconnus grâce à une séparation des rôles et une planification guidée en temps réel.