867 articles
Cet article présente une pile de navigation autonome entièrement fonctionnelle sur un matériel informatique faible consommation sans GPU, permettant à un robot quadrupède Boston Dynamics Spot de se déplacer avec un taux de succès de 100 % dans des mines souterraines GPS-déniées et sombres grâce à une approche géométrique ne nécessitant aucun apprentissage spécifique à l'environnement.
Le papier présente PTLD, une méthode de distillation d'informations latentes tactiles privilégiées qui permet d'apprendre des politiques de manipulation dextre en simulation et de les transférer au monde réel sans simulation tactile, en utilisant des capteurs tactiles réels pour améliorer significativement les performances par rapport aux approches purement proprioceptives.
Ce papier présente Many-RRT*, une extension de l'algorithme RRT*-Connect qui planifie simultanément vers plusieurs solutions de cinématique inverse en parallèle pour surmonter les défis de l'espace des articulations des manipulateurs sériels, garantissant ainsi une convergence robuste et des trajectoires de bien meilleure qualité avec un taux de succès quasi total.
Le papier présente MEMO, une approche qui améliore les politiques neuro-symboliques en transformant les corrections humaines locales en compétences généralisées via un livre de compétences enrichi par récupération, permettant ainsi au robot de s'adapter à de nouvelles tâches.
Cet article présente un cadre d'estimation d'état décentralisé et distribué, basé sur la vision et un filtre d'information étendu, permettant à des équipes de drones de transporter de manière robuste des charges suspendues dans des environnements sans GPS en fusionnant les données de caméras embarquées.
Cet article propose une méthode pionnière combinant l'apprentissage par renforcement distributionnel et l'apprentissage par imitation pour entraîner des politiques visuomotrices de manipulation mobile capables de prendre des décisions adaptatives et sûres en fonction du risque, directement à partir d'observations de profondeur égocentriques.
Ce papier présente ELLIPSE, une méthode d'apprentissage par imitation robuste qui génère des waypoints et des incertitudes fiables pour les robots mobiles en utilisant une régression évidentielle profonde, une augmentation de domaine légère et un recalibrage post-hoc pour atténuer les risques liés aux décalages de distribution dans des environnements réels comme les escaliers.
Cet article propose un formalisme de règles axé sur le risque pour évaluer les trajectoires de systèmes dans des environnements incertains, en modélisant explicitement les interactions système-environnement et en garantissant une cohérence logique des préférences grâce à une relation d'ordre, comme l'illustre un exemple de conduite autonome.
Ce papier présente RoboMME, un benchmark standardisé à grande échelle conçu pour évaluer et faire progresser les modèles vision-langage-action dotés de mécanismes de mémoire dans des tâches robotiques à long horizon, en démontrant que l'efficacité des représentations de mémoire dépend fortement du type de tâche.
Ce travail présente une architecture de contrôle et de logiciel intégrée permettant à un quadricoptère commercial Flyability Elios 3 d'effectuer des inspections par ultrasons non destructives de manière entièrement autonome et en contact physique au sein d'environnements industriels non structurés.
Cet article présente GIANT, une approche novatrice de planification de trajectoire multi-robots qui intègre la planification de chemin globale avec des réseaux de graphes attentifs pour assurer une navigation robuste et efficace dans des environnements dynamiques complexes.
Cet article présente une méthode combinant l'assistance des grands modèles de langage et l'expertise humaine pour générer efficacement des liaisons Python pour la bibliothèque robotique C++ OMPL, en surmontant les défis techniques courants tout en garantissant des performances comparables aux solutions traditionnelles.
Cet article propose une méthode de stationnement autonome qui améliore la sécurité et l'efficacité en sélectionnant les places de parking grâce à la prédiction explicite des intentions des autres véhicules à partir de leur historique de mouvement, surpassant ainsi les approches existantes qui se fient uniquement à la prédiction de trajectoire à court terme ou à des modèles implicites.
Ce papier présente LEGS-POMDP, un système modulaire basé sur les processus de décision markoviens partiellement observables qui intègre le langage, les gestes et la vision pour permettre aux robots de rechercher des objets dans des environnements ouverts incertains en modélisant explicitement l'ambiguïté de l'identité et de la localisation des cibles.
Ce papier présente GenTact-Prox, une peau artificielle entièrement imprimée en 3D et modulaire intégrant des capteurs tactiles et de proximité pour anticiper les contacts, accompagnée d'un cadre de données pour cartographier l'espace périsensoriel et permettre une opération en ligne consciente des objets sur un robot Franka Research 3.
Cet article propose un cadre d'optimisation basé sur l'algorithme NSGA-III pour générer des mouvements de marche chez les robots modulaires à articulations détachables, en trouvant un compromis optimal entre la réduction de la charge articulaire et le maintien de la mobilité et de la stabilité dans divers environnements.
Cet article présente et valide un système d'échange d'outils auto-aligné pour robots modulaires, qui utilise des géométries passives de compensation d'erreurs et une station rotative compacte pour garantir des changements de modules fiables sans capteurs de force complexes.
Cette étude démontre qu'il est possible d'adapter la navigation des robots à deux roues dans les tubes de lave lunaires en estimant le type de terrain avec plus de 98 % de précision grâce à l'analyse de la déviation standard des données de tangage, permettant ainsi une commutation dynamique des politiques de contrôle.
Cette étude propose une méthode d'exploration décentralisée où des essaims de robots s'auto-organisent dynamiquement et sélectionnent autonomement leurs cibles à l'aide de modèles de langage (LLM), éliminant ainsi le besoin d'un contrôleur central tout en étant validée par des simulations à grande échelle.
Cet article propose un cadre de contrôle piloté par les données, combinant un modèle dynamique neuronal, une commande prédictive par modèle et un apprentissage par imitation, pour assurer une navigation précise d'un robot poisson souple actionné magnétiquement sans recourir à une modélisation analytique.