867 articles
Ce papier présente LiteVLA-Edge, une pipeline de déploiement optimisée permettant l'inférence entièrement locale et en temps réel de modèles Vision-Language-Action sur du matériel robotique embarqué de type Jetson Orin grâce à une quantification 4-bit et une intégration ROS 2.
Cet article présente un cadre de modélisation multi-agents intégrant l'apprentissage par renforcement et des données topographiques réalistes pour simuler la mobilité archéologique dans des paysages accidentés, permettant d'analyser l'impact du terrain et de l'hétérogénéité des agents sur les stratégies de déplacement et d'interaction.
L'article présente Phys4D, une méthode en trois étapes qui transforme les modèles de diffusion vidéo en représentations 4D cohérentes sur le plan physique en combinant un pré-entraînement pseudo-supervisé, un affinage supervisé basé sur la simulation et un apprentissage par renforcement pour corriger les violations physiques résiduelles.
Cet article propose une architecture de fusion GNSS/IMU en temps réel basée sur l'optimisation de graphes de facteurs, démontrant un compromis entre disponibilité du service et précision du positionnement dans des environnements urbains complexes.
Cet article présente une méthode d'intégration GNSS-IMU en temps réel et fortement couplée basée sur l'optimisation de graphes de facteurs, qui permet une estimation causale des états via une marginalisation à fenêtre fixe et démontre une grande robustesse dans des environnements urbains dégradés.
Ce papier présente MEM, une architecture de mémoire multi-échelle combinant des représentations vidéo à court terme et textuelles à long terme pour permettre aux modèles d'action visuelle et linguistique d'exécuter des tâches robotiques complexes s'étendant sur de longues périodes.
Ce papier présente UrbanHuRo, un cadre de collaboration humain-robot à deux couches qui optimise conjointement des services urbains hétérogènes, tels que la livraison et la surveillance, en améliorant significativement la couverture de détection, les revenus des livreurs et l'efficacité globale grâce à des algorithmes de maximisation sous-modulaire et d'apprentissage par renforcement.
Cet article présente CoCo-TAMP, un cadre de planification hiérarchique qui exploite le raisonnement de bon sens des grands modèles de langage pour améliorer l'estimation d'état et réduire considérablement le temps de planification et d'exécution des robots opérant dans des environnements partiellement observables.
Cet article présente un dispositif de soutien lombaire portable, léger et semi-actif combinant un élément passif à rigidité variable et un muscle artificiel, capable d'adapter son assistance en fonction du poids soulevé pour réduire l'activité musculaire des extenseurs du dos lors de la manutention d'objets.
Ce papier propose HALyPO, une méthode d'optimisation de politique utilisant des fonctions de Lyapunov pour stabiliser l'apprentissage par renforcement multi-agents hétérogènes dans la collaboration humain-robot en garantissant la contraction de l'écart de rationalité et en améliorant la généralisation et la robustesse.
Le papier présente RAGNav, un cadre de raisonnement topologique assisté par la récupération qui intègre une mémoire à double base et un mécanisme de propagation de scores pour surmonter les hallucinations spatiales et atteindre des performances de pointe dans la navigation visuelle et linguistique multi-objectifs.
Cet article propose un contrôle corporel global orienté interaction (IO-WBC), inspiré du cervelet et combinant génération de trajectoires et apprentissage par renforcement, permettant aux humanoïdes d'assurer un transport d'objets compliant et stable dans des environnements non structurés en gérant efficacement les forces d'interaction dynamiques.
Ce papier présente C2C, une architecture hiérarchique à trois couches qui comble le fossé entre la cognition et le contrôle en intégrant une perception fondée sur les grands modèles de langage, une couche de délibération multi-agents par apprentissage par renforcement pour la coordination à long terme, et un contrôle corporel entier pour assurer une collaboration stable et adaptative entre humains et humanoïdes lors de tâches de transport.
Cette étude révèle que les modèles préentraînés Vision-Language-Action (VLA) résistent remarquablement bien à l'oubli dans l'apprentissage continu, surpassant les modèles entraînés à partir de zéro grâce à une combinaison de préentraînement et de rejeu d'expériences simple.
Ce papier présente IROSA, un cadre novateur combinant des modèles de langage pré-entraînés et une architecture basée sur des outils pour permettre l'adaptation interactive et sécurisée des compétences robotiques via des commandes en langage naturel, sans nécessiter de fine-tuning du modèle.
Ce papier présente RVN-Bench, un nouveau benchmark conçu pour évaluer la navigation visuelle réactive et sans collision d'agents mobiles dans des environnements intérieurs complexes et non vus, en s'appuyant sur le simulateur Habitat 2.0 et des scènes réalistes HM3D.
Cet article propose un cadre de conception de mission réactive combinant la conception de missions probabilistes et des circuits réactifs pour permettre une inférence probabiliste exacte en ligne et efficace, garantissant ainsi la sécurité et la conformité légale des agents autonomes dans les espaces de trafic réglementés.
Cet article présente un cadre d'apprentissage par renforcement continu en ligne, inspiré de la biologie et basé sur DreamerV3, qui permet aux agents robotiques de s'adapter automatiquement aux changements imprévus lors du déploiement en détectant les écarts de prédiction du modèle du monde et en ajustant leurs paramètres sans supervision externe.
Le cadre Sim2Sea propose une approche complète intégrant un simulateur maritime accéléré par GPU, une politique spatio-temporelle à double flux avec masquage d'actions guidé par les obstacles de vitesse et une randomisation de domaine ciblée, permettant un transfert zéro-shot réussi d'une politique entraînée en simulation vers un navire autonome de 17 tonnes naviguant dans des eaux réelles encombrées.
Le papier présente SaFeR, une méthode de génération de scénarios critiques pour la conduite autonome qui combine un prior de réalisme basé sur un Transformer avec une contrainte de faisabilité dérivée de la plus grande région faisable (LFR) pour équilibrer l'adversarité, la réalité comportementale et la viabilité physique.