864 articles
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.
Cet article propose un cadre innovant pour la prédiction de trajectoires en conduite autonome qui, en guidant l'apprentissage par les limites de la route et en imposant des contraintes cinématiques, génère des prédictions physiquement réalisables et robustes tout en éliminant quasi totalement les trajectoires hors route.
Cet article propose un cadre d'apprentissage par curriculum automatique qui génère dynamiquement des scénarios de conduite adaptatifs via un « enseignant » pour optimiser l'efficacité et la généralisation des agents de conduite autonome par apprentissage par renforcement, surpassant ainsi les méthodes traditionnelles comme la randomisation de domaine.
Cet article présente C*, un algorithme de planification de trajectoire de couverture en temps réel pour environnements inconnus, basé sur un graphe de couverture rapide (RCG) qui garantit une couverture complète et optimisée avec des performances supérieures aux méthodes existantes en termes de temps, de longueur de trajectoire et d'efficacité énergétique.
Ce papier présente RoboPARA, un cadre innovant piloté par un modèle de langage pour la planification de tâches en parallèle sur des robots à deux bras, qui optimise la collaboration via une génération de candidats basée sur des graphes de dépendance et une ré-traversal pour maximiser l'efficacité, tout en introduisant le premier jeu de données dédié à l'évaluation de cette capacité.
Cet article présente les Réseaux de Présymplectification (PSN), un cadre innovant qui restaure une géométrie symplectique non dégénérée pour les systèmes mécaniques dissipatifs et contraints en les relevant dans une variété de dimension supérieure via des structures de Dirac, permettant ainsi une prédiction à long terme stable et précise pour des robots complexes comme le quadrupède ANYmal.
Ce papier présente un cadre d'apprentissage par imitation qui extrait des comportements de locomotion et des transitions entre eux à partir de données de mouvement non étiquetées pour entraîner un contrôleur steerable et stylistiquement cohérent sur des robots quadrupèdes, en utilisant un réétiquetage cinéodynamique et une synthèse de mouvement multi-modale sans nécessiter d'étiquetage manuel ni de règles de commutation explicites.
Cet article présente et valide expérimentalement un cadre de téléopération bilatérale à quatre canaux sans capteur de force pour des manipulateurs peu coûteux, permettant une interaction position-force stable à haute vitesse et améliorant significativement les performances de l'apprentissage par imitation grâce à l'intégration de données de force.
Cet article présente RVSG, une approche de test basée sur un modèle vision-langage développée avec PAL Robotics pour générer automatiquement des comportements humains violant les exigences de sécurité et ainsi évaluer la robustesse des robots mobiles autonomes industriels dans des environnements simulés.
LHM-Humanoid est un cadre d'apprentissage et un benchmark qui introduit une politique unifiée permettant à un robot humanoïde d'exécuter des tâches complexes de locomotion et de manipulation sur de longues séquences dans des environnements encombrés et variés, surpassant les méthodes existantes grâce à une généralisation cross-scène et une robustesse accrue.
Cet article présente un cadre hybride novateur qui combine un contrôle prédictif de modèle (MPC) et un réseau de neurones pour optimiser en ligne la traversée agile de portes par des quadrotors, permettant des accélérations élevées et une récupération rapide face aux perturbations grâce à des gradients de politique analytiques.
Cet article présente une méthode de navigation pour quadrotor basée sur l'apprentissage par renforcement qui, en exploitant des cartes de temps d'arrivée et une fonction de perte d'alignement de lacet, surpasse les méthodes existantes pour éviter de grands obstacles et a été validée avec succès lors de 20 vols réels en extérieur, jour et nuit, sans aucune collision.
Cet article propose d'étendre le cadre des métriques d'évaluation en navigation robotique sociale en introduisant une normalisation temporelle pour la phase de montée des conflits et une nouvelle métrique d'« engagement » mesurant l'intensification des conflits, afin d'évaluer la qualité et la prévoyance des comportements coopératifs dans divers scénarios d'interaction.
Ce papier présente un cadre d'apprentissage par diffusion qui combine la modélisation générative et le contrôle d'impédance pour permettre à un robot d'adapter en temps réel sa rigidité et son amortissement lors de tâches de manipulation complexes, garantissant ainsi une précision et une généralisation exceptionnelles dans des environnements riches en contacts.
Le framework GUIDE propose une approche d'exploration autonome innovante combinant l'inférence de graphes globaux et un processus de décision basé sur la diffusion pour optimiser la couverture des environnements intérieurs complexes avec une efficacité et une stabilité accrues.