864 articles
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.
Cet article présente une évaluation systématique de l'impact des vues synthétiques nouvelles sur la reconnaissance de lieux vidéo (VPR), démontrant que l'ajout de vues améliore les statistiques de reconnaissance, où le nombre de vues et le type d'imagerie priment sur l'ampleur du changement de point de vue pour les ajouts plus importants.
Cet article propose une méthode de contrôle simple et efficace pour les robots sauteurs sur terrain incliné, utilisant un modèle masse-ressort et des ajustements d'angle de contact ou de couple correctif pour annuler les rotations indésirables et assurer une stabilité de saut sans capteurs complexes.
Cet article propose un cadre itératif d'optimisation convexe combinant des fonctions de barrière de contrôle (DCBF) et une modélisation précise des polytopes pour permettre une navigation sans collision en temps réel pour des robots polytopiques évoluant dans des environnements complexes.
Le papier présente FTSplat, un réseau de type feed-forward qui génère directement des surfaces triangulaires continues à partir d'images multi-vues calibrées, permettant une reconstruction 3D haute fidélité et prête pour la simulation en une seule passe sans optimisation par scène.
Ce papier présente Swooper, une approche d'apprentissage par renforcement profond qui permet à un drone quadricoptère léger équipé d'une pince simple d'effectuer des saisies aériennes à haute vitesse avec un taux de réussite de 84 % en conditions réelles, grâce à une stratégie d'entraînement en deux étapes et un déploiement zéro-shot.
Cet article présente un modèle dynamique précis du Crazyflie Brushless, validé par des simulations et des tests matériels, qui permet d'entraîner des contrôleurs par apprentissage par renforcement capables d'exécuter des manœuvres acrobatiques complexes avec un transfert réussi du simulé au réel.
PROBE est un descripteur de reconnaissance de lieu LiDAR sans apprentissage qui modélise probabilistiquement l'occupation en vue aérienne (BEV) et intègre une translation analytique robuste pour atteindre des performances de pointe parmi les méthodes non supervisées sur des données multi-capteurs.
Cet article présente une méthode de reconstruction de la forme d'un manipulateur à tensegrité à grande échelle utilisant uniquement les angles d'inclinaison mesurés par des IMU et une minimisation d'énergie, démontrant une précision de 2,1 % de la longueur totale en conditions statiques et sous perturbations.
Cette étude présente HarvestFlex, le premier système à transférer des politiques vision-langage-action vers la récolte réelle de fraises en serre, atteignant un taux de réussite de 74 % grâce à une adaptation de modèle sur seulement 3,71 heures de données téléopérées et une architecture de perception RGB sans calibration géométrique explicite.
Le papier présente MagRobot, le premier simulateur open-source universel conçu pour faciliter la conception, la visualisation et l'évaluation comparative des robots navigués par aimant dans des applications médicales minimales invasives, en offrant un environnement flexible pour tester des algorithmes et des configurations matérielles variées dans des anatomies déformables.
Ce papier présente « Moving Through Clutter », un cadre open-source basé sur la réalité virtuelle pour la collecte de données et l'évaluation de la locomotion de humanoïdes dans des environnements 3D encombrés, incluant un jeu de données de 348 trajectoires et des benchmarks pour étudier l'adaptation aux contraintes géométriques.
Le papier présente TADPO, une nouvelle méthode d'apprentissage par renforcement basée sur PPO qui permet pour la première fois le transfert sim-to-real zéro-shot d'un véhicule tout-terrain à échelle réelle capable de naviguer à haute vitesse sur des terrains non cartographiés et accidentés.