864 articles
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.
Cet article propose une approche de navigation pour robots quadrupèdes axée sur la décision sémantique, qui utilise une perception calibrée par la confiance et une sélection de sous-objectifs topologiques pour permettre une exploration efficace en monde ouvert sans dépendre de reconstructions géométriques denses.
Cet article présente le GPHDM, une approche novatrice qui génère des mouvements robotiques physiquement cohérents en apprenant des représentations latentes sur des variétés hyperboliques qui préservent à la fois la structure hiérarchique taxonomique et la dynamique temporelle des mouvements humains.
Ce papier présente ROSflight 2.0, un écosystème d'autopilote open-source et modulaire basé sur ROS 2 conçu pour faciliter la recherche sur les drones en accélérant le passage de la simulation au matériel, comme le démontrent des résultats expérimentaux où le système contrôle un multirotor à 400 Hz via une connexion série tout en exécutant les boucles de contrôle sur un ordinateur compagnon.
ROSplane 2.0 est une pile d'autonomie open-source pour drones à voilure fixe, conçue par des chercheurs et basée sur ROS 2, qui accélère la recherche en offrant une architecture modulaire, une documentation complète et un pipeline de modélisation aérodynamique simplifiant le passage de la simulation au monde réel.
Le papier présente Phys2Real, une pipeline d'apprentissage par renforcement sim-to-real qui fusionne les estimations de paramètres physiques déduites par des modèles vision-langage avec une adaptation en ligne basée sur l'incertitude pour améliorer la précision des tâches de manipulation robotique.
Ce papier présente une méthode de contrôle hybride basée sur l'échantillonnage qui résout un problème d'optimisation en nombres entiers pour sélectionner et commuter de manière asymptotiquement optimale entre des modes de contrôle algorithmiques et non différentiables, démontrant ainsi son efficacité sur des tâches robotiques complexes nécessitant une planification à long terme et un contrôle réactif.
Ce travail présente C3+, une amélioration de l'algorithme de contrôle prédictif de modèle à contact implicite (CI-MPC) qui permet un contrôle en temps réel et une manipulation non préhensile robuste de divers objets, y compris dans des scénarios multi-objets complexes, atteignant un taux de réussite de 98 % sur du matériel réel.
Ce papier présente AURASeg, un cadre de segmentation d'aire drivable pour robots embarqués qui améliore la précision des contours et l'efficacité des bords grâce à une mise à l'échelle guidée par l'attention et un raffinement résiduel, validé par des déploiements réussis sur des dispositifs edge.
Cet article présente un cadre d'apprentissage en temps réel utilisant une décomposition modale dynamique de Hankel modifiée pour débruiter et prédire les trajectoires d'agents dynamiques à partir de données partielles et bruitées, permettant ainsi une planification de mouvement robotique plus sûre et adaptative.
Cette étude propose et évalue quatre indicateurs de champ de vision en réalité augmentée pour corriger les modèles mentaux erronés des humains sur les capacités visuelles des robots, démontrant que les indicateurs ancrés dans l'espace de la tâche améliorent le plus la précision lors de collaborations homme-robot.
Le papier présente ExpReS-VLA, une méthode permettant l'adaptation rapide et efficace sur un appareil de modèles Vision-Language-Action pré-entraînés à des domaines spécifiques grâce à une mémoire tampon d'expériences compressée et un apprentissage par récupération, évitant ainsi l'oubli catastrophique tout en améliorant significativement les performances sur des tâches robotiques complexes.
Ce papier présente CAVER, un robot doté d'un effecteur terminal innovant et d'un algorithme d'exploration guidé par la curiosité qui lui permet de construire efficacement des représentations audiovisuelles riches pour améliorer la classification des matériaux et l'imitation de démonstrations humaines basées sur l'audio.
Cette étude propose un cadre d'apprentissage par renforcement en espace tâche, combinant l'optimisation de politique proximale (PPO) et des primitives de mouvement avec un contrôleur d'impédance cartésien soucieux de l'énergie, pour générer des trajectoires sûres et robustes lors de tâches de manipulation riches en contacts.
Ce papier présente WNumMPC, une méthode de navigation hiérarchique pour agents multiples qui résout les blocages de symétrie en apprenant via l'apprentissage par renforcement des stratégies de rupture de symétrie basées sur le nombre d'enroulement, permettant ainsi une coordination efficace et sans collision dans des environnements denses.
Ce papier présente Bi-AQUA, un cadre d'apprentissage par imitation bilatéral innovant pour les bras robotiques sous-marins qui intègre explicitement la modélisation de l'éclairage via des transformateurs pour assurer une manipulation robuste et adaptative malgré les variations visuelles complexes de l'environnement sous-marin.
Ce papier présente EchoVLA, un modèle VLA doté d'une mémoire déclarative synergique inspirée du cerveau humain pour la manipulation mobile, qui améliore significativement les performances grâce à une architecture de mémoire combinant cartes spatio-sémantiques et expériences épisodiques, validée par le nouveau benchmark automatisé MoMani.
Cet article présente une nouvelle méthode de planification de trajectoire pour les changements de voie autonomes, qui intègre des champs de risque dynamiques et un espace convexe variant dans le temps au sein d'un algorithme iLQR contraint, garantissant ainsi des manœuvres plus sûres, efficaces et confortables que les approches traditionnelles.
Cet article présente une nouvelle problématique d'accessibilité pour deux agents en poursuite, caractérisant géométriquement l'ensemble accessible dépendant via la stratégie de poursuite à cap constant et en fournissant des bornes théoriques ainsi que des résultats de simulation.
Cet article présente XR-DT, un cadre de jumeau numérique amélioré par la réalité étendue qui intègre un contrôleur MPPI conscient de l'humain et un modèle de prédiction de trajectoire basé sur l'attention pour permettre une interaction humain-robot sûre, efficace et interprétable dans des espaces partagés.