864 articles
Le papier présente RACAS, une architecture agentic basée sur des modèles de langage qui permet de contrôler de manière unifiée et sans réentraînement divers robots (terrestres, sous-marins et articulés) en se fiant uniquement à des descriptions et commandes en langage naturel.
Cet article propose un cadre de contrôle général garantissant la stabilité pour la régulation et le suivi de trajectoire de robots mous sous-actionnés sous contraintes d'entrée, en imposant une fonction de Lyapunov comme contrainte convexe tout en respectant la dynamique complète et les limites des actionneurs.
Cette présentation du jeu de données multimodal RFM-HRI analyse les réactions verbales et non verbales des utilisateurs face à divers échecs d'un robot médical lors de tâches de récupération d'objets, afin d'éclairer le développement de stratégies de récupération plus efficaces et sûres.
Le papier présente SCOUT, une méthode novatrice qui utilise des graphes de scènes 3D et une distillation de connaissances à partir de modèles de langage pour réaliser une recherche interactive d'objets en monde ouvert efficace et généralisable, surpassant les approches par similarité d'embeddings tout en évitant la lourdeur computationnelle des LLM.
Ce papier propose TransMASK, une méthode auto-supervisée qui apprend un masque pour transformer l'état observé en une représentation latente biaisée vers les éléments pertinents, permettant ainsi aux robots d'ignorer les variables non essentielles et d'améliorer leur généralisation lors de l'apprentissage par imitation.
Le papier présente la Contact-Grounded Policy (CGP), une méthode permettant une manipulation dextre riche en contacts en prédisant l'état du robot et le retour tactile pour générer des cibles exécutables via une cartographie d'incohérence apprise, et ce pour des capteurs tactiles denses ou visuels.
Cette étude présente le jeu de données NC-tALC, un ensemble de trajectoires haute fidélité issu d'expériences contrôlées visant à analyser les interactions et les dynamiques de changement de voie des véhicules autonomes transitionnels (tAV) en présence de véhicules humains et d'autres tAV.
Cet article propose un cadre de génération de trajectoires sensible à l'environnement pour la fabrication additive robotisée, évaluant en ligne quatre algorithmes de planification de trajectoire dans des environnements obstrués complexes afin d'identifier les méthodes les plus performantes et les métriques structurelles et computationnelles les plus pertinentes.
Cet article présente un cadre de vision-langage respectueux de la vie privée, basé sur des modèles open-source déployés localement, qui permet aux robots interprètes médicaux de détecter les actes de parole et de générer des gestes robotiques adaptés, surpassant les méthodes existantes en termes d'efficacité computationnelle et de naturalisme humain.
Le papier présente Safe-Night VLA, un cadre multimodal intégrant la vision thermique et des filtres de sécurité basés sur des fonctions de barrière de contrôle, permettant aux robots de manipuler des objets de manière sûre et robuste dans des environnements non structurés en détectant des signaux invisibles à l'œil nu.
Le papier présente EmboAlign, un cadre sans données qui aligne les modèles de génération vidéo avec des contraintes compositionnelles extraites par des modèles vision-langage pour sélectionner des déroulés physiquement plausibles et optimiser les trajectoires robotiques, améliorant ainsi considérablement le taux de réussite des tâches de manipulation en zéro-shot.
Cet article propose un cadre de planification de trajectoires multi-robots intégrant l'optimisation bayésienne contrainte et l'apprentissage de cartes de coûts locaux pour générer des trajectoires efficaces, tout en utilisant une recherche de conflits basée sur la logique temporelle signal (STL) pour garantir le respect des spécifications formelles et la résolution des conflits dans des environnements incertains.
Ce papier présente TDGC, une architecture de politique hiérarchique pour la navigation des robots quadrupèdes qui résout le décalage d'échelle entre les décisions de haut niveau et le contrôle de la démarche en utilisant un apprentissage par renforcement en simulation et un curriculum structuré pour améliorer la robustesse et l'adaptabilité sur des terrains complexes.
Le papier présente le CDF-Glove, un gant téléopéré léger et peu coûteux doté d'un retour haptique par câble qui améliore significativement la qualité des démonstrations pour l'apprentissage par imitation et les taux de réussite des tâches de manipulation dextre.
Le papier présente HiLAM, un modèle d'action latente hiérarchique qui découvre des compétences latentes de haut niveau en agrégeant des séquences d'actions latentes extraites par un modèle pré-entraîné, permettant ainsi de capturer des structures temporelles à long terme dans des vidéos sans actions explicites.
Ce papier propose OpenHEART, un cadre robuste et économe en échantillons permettant à un manipulateur à pattes d'ouvrir divers objets articulés hétérogènes grâce à une extraction de caractéristiques abstraite basée sur l'échantillonnage (SAFE) et un estimateur d'informations d'articulation (ArtIEst) qui fusionnent adaptativement la proprioception et l'extéroception.
Ce papier présente le SILA Bot, un robot miniature inspiré du lézard capable de s'adapter à des terrains granulaires de profondeur variable en utilisant des signaux proprioceptifs pour estimer la profondeur et un contrôleur linéaire simple pour moduler son mouvement, établissant ainsi un cadre efficace pour la locomotion autonome à petite échelle.
Ce papier propose la méthode TraD-RL, une approche d'apprentissage par renforcement guidée par l'expertise et contrainte par la dynamique du véhicule, qui améliore la stabilité et la performance des voitures de course autonomes en intégrant des lignes de trajectoire expertes et des barrières de contrôle pour un apprentissage sécurisé et performant.
Ce papier présente DexEMG, un système de téléopération léger et peu coûteux utilisant l'électromyographie de surface (sEMG) et un réseau neuronal EMG2Pose pour contrôler avec précision des mains robotiques dextres, tout en assurant une forte généralisation sans recalibration individuelle intensive.
Ce papier présente AnyCamVLA, un cadre d'adaptation de caméra en zéro-shot qui améliore la robustesse des modèles Vision-Language-Action face aux changements de point de vue en synthétisant virtuellement les observations de test pour correspondre à la configuration d'entraînement, sans nécessiter de nouvelles données, d'affinage ou de modifications architecturales.