865 articles
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.
Cet article propose une méthode fiable pour la localisation 3D d'objets distants à partir de séquences d'images bruitées, utilisant la triangulation multi-vues ou des filtres à particules, ce qui permet une surveillance efficace des incendies de forêt par drone avec des ressources computationnelles limitées.
Cet article présente une méthode de transfert sim-to-real pour la manipulation d'outils articulés par des mains robotiques, combinant une politique d'apprentissage par renforcement simulée à un raffinement basé sur des démonstrations matérielles et l'attention croisée pour stabiliser les interactions de contact et s'adapter aux propriétés articulaires spécifiques sans modélisation physique précise.
Cet article présente un protocole de coordination pair-à-pair pour les robots hétérogènes qui utilise des modèles de langage naturel pour générer des demandes d'aide et un raisonnement fondé sur la logique temporelle pour sélectionner l'assistant optimal, permettant ainsi de minimiser le temps de complétion des tâches sans recourir à un allocateur centralisé.
Cet article présente EgoTraj-Bench, le premier benchmark réel pour la prédiction de trajectoires en vision ego-centrique sous observations bruitées, ainsi que le modèle BiFlow qui, grâce à son mécanisme EgoAnchor, atteint des performances de pointe en réduisant significativement les erreurs de prédiction.
Cet article présente un protocole basé sur la recherche de conflits (CBS) permettant de coordonner efficacement des agents hétérogènes dotés de planificateurs de mouvement indépendants et variés (tels que A*, RRT, ou l'apprentissage par renforcement) pour exécuter des tâches autonomes dans un environnement partagé sans collision.
Ce papier présente SBP, une approche d'apprentissage de politiques de manipulation mobile qui utilise une carte latente 3D pour intégrer des observations à long terme et dépasser les limites des méthodes purement visuelles, améliorant ainsi significativement les performances dans des tâches complexes et des environnements nouveaux.
MachaGrasp est un cadre de génération de préhensions end-to-end basé sur les eigengrasps qui permet une adaptation cross-embodiment et few-shot pour des mains à doigts multiples en apprenant des coefficients d'articulation à partir de la morphologie de la main et des nuages de points d'objets, atteignant ainsi des taux de succès élevés en simulation et dans le monde réel.
Ce papier présente CBF-RL, un cadre d'apprentissage par renforcement qui intègre des fonctions de barrière de contrôle directement durant l'entraînement pour internaliser les contraintes de sécurité dans la politique apprise, permettant ainsi un déploiement robuste et sûr sur des robots réels sans filtre de sécurité en ligne.
Cet article propose une méthode pour optimiser l'orientation des hyperplans dans les fonctions de barrière de contrôle (H-CBF) afin de réduire le conservatisme des garanties de sécurité et d'autoriser des commandes plus proches de l'objectif, tout en maintenant la validité des preuves de sécurité pour des systèmes dynamiques évoluant près d'obstacles complexes.
Les auteurs proposent un planificateur TAMP cinodynamique novateur qui intègre un arbre d'états hybride, un planificateur de mouvement et un modèle de langage visuel (VLM) pour guider la recherche et le retour en arrière, démontrant ainsi des taux de réussite et des efficacités de calcul supérieurs aux méthodes traditionnelles et basées sur les LLM dans des environnements simulés et réels.
Ce travail présente SpikeATac, un doigt tactile multimodal combinant des capteurs dynamiques et statiques avec un apprentissage par renforcement pour permettre la manipulation d'objets fragiles par une main robotique.
Cet article présente une nouvelle classe d'algorithmes de compensation du cône pour les systèmes de navigation inertielle, dérivés directement des méthodes d'intégration de Runge-Kutta et fondés sur la théorie de Lie, permettant de générer des approximations d'ordre supérieur tout en se réduisant aux algorithmes classiques existants.
Cet article présente ROVER, une méthode innovante de vérification temporelle pour les politiques de robots boîtes noires, qui utilise une approche « régulateur dans la boucle » basée sur la logique temporelle de signal (STL) pour évaluer et améliorer itérativement la sécurité et la conformité des comportements robotiques via un retraining ciblé, validée avec succès dans des simulations et sur un robot physique.
Le papier présente ObAct, un cadre novateur d'apprentissage par imitation avec vision active où un bras robotique mobile construit une représentation 3DGS pour identifier et se déplacer vers la meilleure vue, permettant ainsi à l'autre bras d'exécuter des politiques plus robustes et moins sujettes aux occlusions.
Le papier présente MarketGen, une plateforme de simulation évolutive dotée d'un générateur de contenu procédural basé sur des agents et d'une vaste bibliothèque d'assets, conçue pour créer des environnements de supermarchés réalistes et évaluer des agents incarnés via de nouvelles tâches de manipulation complexe et de long horizon.
Le LAP est un nouveau planificateur de conduite autonome qui utilise un espace latent VAE pour séparer les intentions de haut niveau de la cinématique de bas niveau, permettant une génération de trajectoires multi-modales de haute qualité en une seule étape et réduisant ainsi considérablement la latence par rapport aux méthodes antérieures.
L'article présente GRAND, une méthode hybride combinant un apprentissage par renforcement pour la guidance globale et des solveurs d'optimisation pour le rééquilibrage et l'affectation locale, permettant d'augmenter le débit des flottes robotiques jusqu'à 500 agents de 10 % tout en respectant des contraintes de temps réel strictes.