864 articles
Cet article introduit le concept de « corridors de barrières de contrôle » qui unifie les fonctions de barrière de contrôle et les corridors de mouvement sûrs en convertissant les premières en régions de but locales pour permettre une sélection de cibles persistante et vérifiablement sûre lors de la navigation autonome dans des environnements inconnus.
Cet article propose une représentation d'embedding de conception unifiée et de faible dimension qui permet l'optimisation conjointe efficace de la forme, des matériaux et de l'actionnement des robots souples en surmontant les défis computationnels liés à la mécanique non linéaire et en surpassant les approches séquentielles ainsi que les méthodes basées sur des réseaux de neurones.
L'article présente CFEAR-TR, une méthode de localisation autonome rapide et précise utilisant uniquement un radar rotatif pour s'aligner sur des cartes préalables et des trames récentes, offrant ainsi une navigation robuste dans des conditions météorologiques adverses avec des performances proches de celles du LiDAR.
Le papier présente SG-DOR, un cadre relationnel qui infère des graphes de scène avec un raisonnement sur l'occlusion conditionnée par la direction pour améliorer la planification de la récolte robotique de poivrons dans des canopées denses.
Les auteurs présentent un robot monopode sous-actionné de 1,25 kg utilisant deux roues de réaction et un seul moteur pour réaliser un roulement, des sauts ciblés et une réorientation en vol, offrant ainsi une solution compacte et polyvalente pour l'exploration de corps célestes à faible gravité.
Cet article présente une méthode de calibration spatiale simple pour les LiDARs à temps de vol diffus, permettant d'établir une correspondance explicite entre chaque pixel LiDAR et son image RGB en estimant sa zone d'impact et sa sensibilité relative grâce à l'utilisation d'un patch rétroréfléchissant balayé.
Cet article présente une méthode unifiée apprenant à la fois la structure temporelle symbolique et les paramètres de timing sub-symbolique à partir de démonstrations humaines pour générer des plans d'exécution synchronisés et paramétrés dans le temps pour la manipulation bimanuelle des robots.
Cet article présente un cadre de modélisation dynamique adaptative et consciente de l'incertitude pour les robots sous-marins à bras manipulateur, qui intègre des contraintes de cohérence physique via une estimation sur horizon glissant et démontre une convergence rapide et une précision accrue lors d'expériences sur un BlueROV2.
Le papier présente Fly360, une méthode de perception et de décision en deux étapes conçue pour permettre aux drones de réaliser une évitement d'obstacles omnidirectionnel robuste en utilisant des observations panoramiques, surpassant ainsi les approches traditionnelles à champ de vision limité.
Le papier présente BEVLM, un cadre qui connecte les modèles de langage à grande échelle à des représentations de vue aérienne (BEV) enrichies par distillation sémantique, améliorant ainsi significativement le raisonnement spatial et les performances de conduite autonome en boucle fermée.
Cet article propose une méthode de contrôle de formation distribuée pour UAVs qui atténue les effets du bruit de mesure de pose relative en adaptant les commandes de descente de gradient aux caractéristiques du bruit, permettant ainsi des déploiements réels plus stables et précis que les algorithmes existants.
Cet article présente FEP-Nav, un cadre d'inspiration biologique qui utilise le principe de l'énergie libre pour permettre une adaptation perceptive en temps réel et assurer une navigation visuelle robuste face à des perturbations sensorielles, en minimisant l'énergie variationnelle libre sans recourir à des mises à jour par gradient.
Cet article propose le modèle MIMO, une nouvelle représentation d'objet basée sur un champ neuronal implicite qui encode des caractéristiques spatiales multiples pour améliorer la reconstruction de formes à partir d'observations partielles et permettre l'apprentissage par imitation de la préhension et du réarrangement d'objets à partir de vidéos de démonstration humaine.
Cet article propose une méthode de conduite autonome intégrant une conscience du risque inspirée du comportement humain, qui utilise des spécifications de logique temporelle linéaire (LTL) et une programmation linéaire pour équilibrer les risques de collision et les violations du code de la route dans des scénarios complexes.
Cet article présente GenTact Toolbox, une pipeline de conception computationnelle permettant de générer procéduralement des peaux artificielles tactiles 3D personnalisées pour robots, adaptées à leur forme et à leur contexte d'application, surpassant ainsi les solutions modulaires standardisées.
Cet article propose un modèle de diffusion guidé par les conditions de contact qui génère des images tactiles visuelles haute fidélité à partir d'images RVB et de données de force, surpassant les méthodes de simulation traditionnelles en réduisant significativement les erreurs et en reconstruisant efficacement les détails texturaux.
Cet article propose un cadre de manipulation 3D dynamique qui intègre la modélisation du monde en 3D et des tâches d'apprentissage auto-supervisé pour doter les politiques de manipulation d'une « prévoyance 3D », améliorant ainsi considérablement leurs performances dans des tâches impliquant des mouvements en profondeur sans compromettre la vitesse d'inférence.
Cet article présente le jeu de données PeRoI, qui capture les interactions piétons-robots à travers des comportements d'attraction, de neutralité et de répulsion, et propose le modèle NeuRoSFM pour améliorer la prédiction des trajectoires piétonnes dans des environnements sociaux.
Ce papier présente LMPOcc, un cadre plug-and-play qui améliore la prédiction d'occupation 3D locale en intégrant des priors d'occupation globaux à long terme tout en mettant à jour continuellement des cartes mondiales évolutives pour une compréhension plus robuste et complète des environnements extérieurs.
Cet article propose une nouvelle fonction de récompense hiérarchisée et consciente des risques pour l'apprentissage par renforcement dans la conduite autonome, qui réduit significativement les collisions tout en maintenant des performances de progression élevées dans les intersections non régulées.