8731 articles
Cette étude compare quatre algorithmes d'optimisation de la pose de base pour les robots industriels et démontre que, bien que tous réduisent le temps de cycle, la descente de gradient stochastique offre le taux de réussite le plus élevé tandis que les algorithmes génétiques minimisent le mieux les coûts finaux.
Ce papier propose SFIBA, une attaque par porte dérobée invisible et spatiale qui permet de cibler simultanément toutes les classes dans un scénario boîte noire en injectant des déclencheurs spécifiques dans des régions locales via une méthode basée sur le domaine fréquentiel, garantissant ainsi à la fois une efficacité d'attaque élevée et une imperceptibilité visuelle.
Cette étude présente une approche holistique optimisant conjointement la composition, le positionnement de la base et la trajectoire de robots modulaires pour réduire le temps de cycle des tâches industrielles, démontrant des gains de performance significatifs et une faisabilité en conditions réelles.
Cet article propose une approche de routage coordonné utilisant des véhicules connectés et automatisés dans des voies réservées aux bus pour améliorer, grâce à des données en temps réel, à la fois la ponctualité des transports en commun et l'efficacité du trafic dans un environnement mixte.
Une étude randomisée auprès de 94 conseillers novices démontre que l'entraînement par simulation avec un grand modèle de langage, couplé à un retour d'information structuré, améliore significativement les compétences microtechniques et l'empathie, contrairement à la pratique seule qui s'avère inefficace ou même préjudiciable.
Ce papier présente DeepSparse, un modèle fondation innovant pour la reconstruction CBCT à vues éparses, qui intègre une architecture DiCE et une stratégie de préentraînement HyViP pour surmonter les limites des méthodes existantes en matière de qualité d'image, de généralisation et de coût computationnel, permettant ainsi une imagerie médicale plus sûre et efficace.
Ce papier présente HEXGEN-FLOW, un cadre de planification hiérarchique et adaptatif conçu pour optimiser l'exécution des requêtes Text-to-SQL agentic sur des clusters de GPU hétérogènes, réduisant ainsi significativement la latence et augmentant le débit par rapport aux solutions existantes.
Ce papier présente M³CAD, un benchmark complet et multimodal de 30 000 images conçu pour faire progresser la recherche sur la conduite autonome coopérative générique, en évaluant des tâches multiples et en proposant une nouvelle approche de fusion adaptative pour optimiser l'équilibre entre efficacité de communication et précision de perception.
Ce papier présente FoldNet, une approche qui génère un jeu de données synthétique basé sur des points clés et des textures réalistes pour entraîner, via l'apprentissage par imitation en boucle fermée et la méthode KG-DAgger, une politique de pliage de vêtements généralisable et robuste atteignant un taux de réussite de 75 % dans le monde réel.
Le papier propose Diffusion-SAFE, un cadre de boucle fermée basé sur des modèles de diffusion pour la conduite partagée, qui détecte les risques et effectue des transferts de contrôle fluides et sûrs en ajustant continuellement le niveau d'intervention du copilote par rapport à l'intention humaine.
Le papier présente MTVCraft, un cadre pionnier qui tokenise directement les séquences de mouvement 3D en tokens 4D pour animer des personnages à partir d'images, surpassant les méthodes existantes basées sur des poses 2D grâce à une meilleure généralisation zéro-shot et un contrôle plus flexible.
Cette étude démontre que, dans les tâches de travail assistées par l'IA, la charge cognitive extrinsèque a un impact négatif sur la performance trois fois plus fort que la charge intrinsèque, affectant davantage les professionnels moins expérimentés qui, paradoxalement, n'augmentent pas leur utilisation de l'IA sous charge.
Cette étude présente et évalue les algorithmes de flux de puissance et de flux de puissance optimal adiabatiques quantiques (AQPF et AQOPF), qui reformulent ces problèmes sous forme d'optimisation combinatoire discrète, en démontrant leur capacité à reproduire des solutions réalisables et leur scalabilité prometteuse sur des systèmes quantiques et des recuits numériques pour des réseaux allant de 4 à 1354 nœuds.
Cette étude propose une nouvelle représentation des environnements protéiques locaux dérivée des modèles de fondation atomistiques, démontrant son efficacité pour capturer la structure et la chimie locales, établir des priors de données et réaliser des prédictions de décalages chimiques NMR à l'état de l'art.
Cet article présente une méthode non supervisée qui extrait des taxonomies de défaillances cohérentes et exploitables à partir de logs de déploiement robotique en combinant le raisonnement vision-langage et le regroupement sémantique, facilitant ainsi l'amélioration des politiques et la surveillance des systèmes.
Cet article propose un nouveau cadre d'allocation de tâches pour des robots multitâches, intégrant leurs contraintes physiques via une compilation en MAX-SAT pondéré et une heuristique gloutonne, et valide son efficacité supérieure par rapport aux méthodes mono-tâches grâce à des simulations et une expérience physique.
Le papier présente ContextMatters, un cadre qui fusionne les modèles de langage et la planification classique pour assouplir les objectifs de manière contextuelle via des graphes de scènes 3D, permettant ainsi aux agents incarnés de générer des plans réalisables et d'atteindre des buts partiels dans des environnements complexes, avec une amélioration de 52,45 % du taux de succès par rapport aux méthodes de l'état de l'art.
Cette étude propose un cadre d'apprentissage profond basé sur un GAN pénalisé par la variance pour générer des images d'immunohistochimie (IHC) de haute fidélité à partir de coupes histologiques H&E, permettant ainsi une évaluation précise et rentable de l'expression de HER2 dans le cancer du sein.
Ce papier présente LINO UniPS, une méthode de stéréophotométrie universelle qui utilise des jetons d'enregistrement lumineux et une attention entrelacée pour découpler l'éclairage des normales, ainsi qu'une architecture à double branche basée sur les ondelettes pour préserver les détails géométriques, le tout entraîné sur le nouveau jeu de données PS-Verse pour atteindre des performances de pointe.
Cet article propose un cadre novateur pour la segmentation d'objets camouflés en vocabulaire ouvert, qui utilise un modèle de langage-vision partagé pour guider le modèle SAM dans la localisation précise des objets et fournir un contexte spatial complet pour leur classification, surmontant ainsi les limites des approches précédentes.