867 articles
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.
Cet article présente TEMPO-VINE, le premier jeu de données public multi-modal et multi-temporel conçu pour évaluer la fusion de capteurs, la localisation et la cartographie dans des environnements de vignobles réels et dynamiques.
Le papier présente NeuralRemaster, une méthode de diffusion qui préserve la phase des signaux d'entrée tout en randomisant leur magnitude, permettant ainsi une génération alignée sur la structure sans coût d'inférence supplémentaire et en améliorant significativement le transfert sim-to-real pour les planificateurs de conduite.
Cet article présente une méthode efficace de régularisation par mollification pour générer des trajectoires lisses et continûment dérivables à partir de segments de chemin non différentiables, tout en garantissant des bornes de courbure et une exécution en temps réel sur microcontrôleurs.
Cet article propose un cadre de coopération bidirectionnelle où une plateforme mobile s'active pour incliner sa surface et optimiser l'atterrissage, transformant ainsi le problème d'un suivi séquentiel en une optimisation couplée qui améliore l'agilité, la précision et la robustesse de l'atterrissage autonome de drones dans des environnements dynamiques.
Le papier présente EmboTeam, un cadre de planification pour des équipes de robots hétérogènes qui combine les capacités de raisonnement des grands modèles de langage avec la rigueur des planificateurs classiques et des arbres de comportement pour exécuter des tâches complexes, validé par une amélioration significative des taux de réussite sur le nouveau benchmark MACE-THOR.
Le papier présente MOSAIC, un cadre d'autonomie modulaire et évolutif permettant à une seule personne de superviser une équipe hétérogène de robots pour l'exploration scientifique, comme démontré par une expérience de terrain lunaire où l'équipe a accompli 82,3 % des tâches malgré la défaillance d'un robot.
Le papier présente DDP-WM, un modèle du monde innovant basé sur la prédiction de dynamiques désenchevêtrées qui améliore considérablement l'efficacité et les performances des robots autonomes en décomposant l'évolution de l'état latent en dynamiques primaires et mises à jour contextuelles, permettant ainsi un déploiement en temps réel avec une accélération d'inférence jusqu'à 9 fois par rapport aux modèles denses existants.
Cet article présente le nouveau problème de la manipulation exploratoire et focalisée (EFM), accompagné du benchmark EFM-10 et d'une stratégie de perception active bimanuelle (BAP) validée par apprentissage par imitation pour surmonter les problèmes d'occlusion visuelle dans la manipulation robotique.
Le papier présente MAE-Select, un cadre novateur qui optimise dynamiquement la sélection de vues pour l'apprentissage par imitation en robotique en exploitant un autoencodeur masqué pré-entraîné, permettant ainsi aux systèmes monocaméra de surpasser les configurations multi-caméras fixes.
Cet article propose une méthode de cinématique inverse en boucle fermée pour robots mous, formulée dans un domaine de dimension infinie et implémentée via des opérateurs neuronaux différentiables pour apprendre la relation complexe entre les actions de contrôle et la forme du robot.
Cet article présente un cadre de coopération entre un rover et un robot scout marcheur qui cartographie en ligne la résistance du terrain régolithe et estime les risques de traversée pour permettre une navigation sûre vers des objectifs scientifiques dans des environnements planétaires analogues.
Cet article présente LACE, un cadre d'apprentissage qui modélise la dynamique temporelle lisse et stable de la covariance des mesures GNSS en fonction de l'environnement pour améliorer l'estimation de l'état et la sécurité des voitures de course autonomes.
Cet article propose un cadre de reconnaissance de gestes multimodal et interprétable, fusionnant des données inertielles et capacitatives via un rapport de vraisemblance logarithmique pour assurer une téléopération robuste et efficace de drones et de robots mobiles dans des environnements dangereux, tout en présentant un nouveau jeu de données et en démontrant des performances supérieures à une approche purement visuelle avec une réduction significative des coûts computationnels.
Cet article propose une méthode de planification de trajectoire de couverture pour le nettoyage de surfaces par des objets déformables, utilisant l'apprentissage par renforcement dans un simulateur avec une représentation d'état basée sur le mapping UV harmonique et des réseaux de convolution, validée expérimentalement sur un bras robotique Kinova Gen3.
Cet article propose un cadre de contrôle sûr pour les systèmes robotiques non linéaires qui apprend une dynamique linéarisée via l'opérateur de Koopman et l'intègre directement dans un programme quadratique unique avec l'algorithme de l'ensemble sûr (SSA) pour garantir la sécurité et l'optimalité en temps réel.
Cet article propose une stratégie de contrôle coopératif appelée DIACC, basée sur l'apprentissage par renforcement multi-agents, qui améliore l'efficacité du trafic mixte en intégrant une perception adaptative des interactions locales et globales entre véhicules automatisés et humains.
Le papier présente GAIDE, un échantillonneur neuronal informé qui améliore l'efficacité et le taux de réussite de la planification de mouvement pour les manipulateurs robotiques en exploitant la structure spatiale et l'embodiment via un masquage d'attention basé sur des graphes au sein d'un transformateur.
L'article présente Act-Observe-Rewrite (AOR), un cadre où un agent multimodal améliore la manipulation robotique en réécrivant itérativement son propre code de contrôle à partir de l'observation visuelle de ses échecs, sans nécessiter de démonstrations, de réingénierie des récompenses ou de mises à jour par gradient.