4348 पेपर
यह शोध पत्र न्यूरल एक्शन कोडक (NAC) को प्रस्तुत करता है, जो एक न्यूरल ऑडियो कोडक से प्रेरित आर्किटेक्चर है जो रोबोटिक एक्शन ट्राजेक्टरीज को मल्टी-चैनल 1D सिग्नल्स के रूप में मानता है ताकि मौजूदा टोकेनाइजेशन विधियों की तुलना में विजन-लैंग्वेज-एक्शन मॉडल्स में उच्च-सटीकता वाली संपीड़न और बेहतर डाउनस्ट्रीम प्रदर्शन प्राप्त किया जा सके।
यह शोध पत्र एक शिक्षक-छात्र (teacher-student) शिक्षण ढांचे को प्रस्तुत करता है जो विज़ुअल फीडबैक को एक सीखे हुए नियंत्रण नीति (learned control policy) के साथ जोड़कर सर्जिकल रोबोटों को अंतर्निहित गतिकीय अशुद्धियों और अविश्वसनीय आंतरिक सेंसरों पर विजय पाने में सक्षम बनाता है, जो da Vinci Research Kit पर वास्तविक समय में त्रुटि मुआवजे का सफलतापूर्वक प्रदर्शन करता है।
BIT-Nav एक मस्तिष्क-प्रेरित, कॉम्पैक्ट प्रक्षेपवक्र स्मृति (trajectory memory) को पेश करके विजन-लैंग्वेज नेविगेशन में स्पार्स फ्रेम चयन की सीमाओं को संबोधित करता है, जो एक Bi-GRU एनकोडर और कंट्रास्टिव लर्निंग के माध्यम से संरचित गति इतिहास को एक एकल टोकन में संकुचित करता है, जिससे टोकन लागत बढ़ाए बिना प्रभावी दीर्घ-क्षितिज तर्क (long-horizon reasoning) सक्षम होता है।
यह शोध पत्र डायनेमिक्स-गाइडेड एक्शन करेक्शन (DGAC) को प्रस्तुत करता है, जो मानव-वीडियो प्रायर्स (human-video priors) का लाभ उठाने वाला एक प्रशिक्षण-मुक्त तरीका है ताकि एम्बॉडीमेंट-अज्ञेय (embodiment-agnostic) मॉडल सीखे जा सकें, जिससे रोबोटों को विफलताओं को स्वायत्त रूप से सुधारने और विभिन्न एम्बॉडीमेंट्स में उनकी हेरफेर सफलता दरों को महत्वपूर्ण रूप से बेहतर बनाने में सक्षम बनाया जा सके।
यह तकनीकी रिपोर्ट ICRA 2026 GOOSE 2D फाइन-ग्रेन्ड सेमेंटिक सेगमेंटेशन चैलेंज के लिए एक सबमिशन का विवरण देती है जो बड़े ट्रेनिंग क्रॉप्स, क्वेरी-आधारित Mask2Former आर्किटेक्चर में संक्रमण और आउटडोर सीन अंडरस्टैंडिंग को बेहतर बनाने के लिए टेस्ट-टाइम ऑगमेंटेशन के साथ एक SegFormer बेसलाइन को उन्नत करके 69.6% mIoU प्राप्त करता है।
मैनिपुलिडर (Manipulider) एक बहु-इंजन, उत्प्लावकता-नियंत्रित (buoyancy-controlled) अंतर्जलीय रोबोट है जो एक चुंबकीय मॉड्यूलर इंटरफेस और चार सिरिंज-संचालित उत्प्लावकता इंजनों के माध्यम से थ्रस्टर रहित ग्लाइडिंग और अभिवृत्ति-आधारित हेरफेर (attitude-based manipulation) प्राप्त करता है, जो प्रोपेलर के बिना स्थिर बड़े-कोण वाले झुकाव और पेलोड परिवहन को सक्षम बनाता है।
यह शोध पत्र यह प्रदर्शित करता है कि विज़ुअल ऑब्जर्वेशन को ASCII टेक्स्ट में बदलकर, टेक्स्ट-ओनली लार्ज लैंग्वेज मॉडल्स को भारी मल्टीमॉडल बैकबोन की आवश्यकता के बिना सिमुलेशन और वास्तविक दुनिया के रोबोटिक मैनिपुलेशन में कुशल कार्य नियोजन और निष्पादन हेतु विज़न-लैंग्वेज-एक्शन कंट्रोलर्स में प्रभावी ढंग से अनुकूलित किया जा सकता है।
UniviewVLA एक एकीकृत मल्टीव्यू विजन-लैंग्वेज-एक्शन मॉडल है जो मानक दो-कैमरा अवलोकनों से छिपे हुए संकेतों और भविष्य के दृश्य विकास का अनुमान लगाने के लिए एक वर्ल्ड मॉडल का लाभ उठाता है, जिससे बिना किसी अतिरिक्त हार्डवेयर या स्पष्ट 3D पुनर्निर्माण की आवश्यकता के, अवरोध-केंद्रित कार्यों पर महत्वपूर्ण प्रदर्शन लाभ प्राप्त होता है।
यह शोध पत्र एक हल्का मॉडल स्टिचिंग दृष्टिकोण प्रस्तावित करता है जो अपडेट किए गए धारणा मॉड्यूल और फ्रीज़्ड डाउनस्ट्रीम पॉलिसियों के बीच लेटेंट रिप्रेजेंटेशन को संरेखित करता है, जो पारंपरिक रिट्रेनिंग विधियों की तुलना में अनुकूलन समय को काफी कम करते हुए विविध धारणा परिवर्तनों के बावजूद ड्राइविंग प्रदर्शन को प्रभावी ढंग से बनाए रखता है।
यह शोध पत्र विज़न-लैंग्वेज मॉडल क्रिटिक्स को सफलता और विफलता वाले रोलआउट्स से पेयरवाइज प्रोग्रेस सुपरविज़न का उपयोग करके फाइन-ट्यून करने की एक विधि प्रस्तुत करता है, जो उन्हें सूक्ष्म दृश्य अंतरों का पता लगाने में सक्षम बनाता है और रोबोट नीतियों को वास्तविक दुनिया और सिम्युलेटेड कार्यों में सफलता दर को महत्वपूर्ण रूप से सुधारने के लिए निर्देशित करता है।