4461 पेपर
यह शोध पत्र HRDexDB को प्रस्तुत करता है, जो 100 विविध वस्तुओं में 2,100 सिंक्रोनाइज़्ड (तुल्यकालिक) मानव और रोबोटिक डेक्सट्रस ग्रैस्पिंग ट्रायल्स वाला एक व्यापक डेटासेट है, जो क्रॉस-एम्बॉडिमेंट मैनिपुलेशन अनुसंधान के लिए एक आधारभूत बेंचमार्क के रूप में कार्य करने हेतु उच्च-सटीक स्पैटियोटेम्पोरल ग्राउंड ट्रुथ प्रदान करता है।
यह शोध पत्र ग्लोबल-लोकल अटेंशन डीकंपोजिशन (GLAD) को प्रस्तुत करता है, जो एक नवीन टेरेन एनकोडिंग फ्रेमवर्क है जो व्यापक संदर्भ जागरूकता को सटीक फुटहोल्ड चयन से अलग करता है ताकि विरल और सीमित भूभागों पर ह्यूमनॉइड रोबोटों के लिए सुदृढ़, ज़ीरो-शॉट सिम-टू-रियल परसेप्टिव लोकोमोशन को सक्षम बनाया जा सके।
यह शोध पत्र Gigapixel को प्रस्तुत करता है, जो एक उच्च-थ्रूपुट सिम्युलेटर है जो पिक्सेल अवलोकनों से सीधे एंड-टू-एंड स्वायत्त ड्राइविंग के लिए बड़े पैमाने पर सेल्फ-प्ले प्रशिक्षण सक्षम बनाता है, जो जब सेल्फ-प्ले DAgger डिस्टिलेशन और परसेप्शन अडैप्टेशन के साथ संयोजित किया जाता है, तो बिना मानव प्रक्षेपवक्र पर्यवेक्षण (human trajectory supervision) के प्रतिस्पर्धी वास्तविक दुनिया का प्रदर्शन प्राप्त करता है।
यह शोध पत्र एक डीप रीइन्फोर्समेंट लर्निंग-आधारित हाइब्रिड प्लूटनिंग नियंत्रण रणनीति प्रस्तावित करता है जो लचीलेपन को बढ़ाने के लिए गैर-कनेक्टेड वाहनों को मिश्रित यातायात में गतिशील रूप से एकीकृत करता है और व्यवधान प्रसार को दबाते हुए यातायात थ्रूपुट और स्थिरता के बीच संतुलन को अनुकूलित करता है।
यह शोध पत्र यह प्रदर्शित करता है कि पारंपरिक PID नियंत्रण को लीनियर रिपिटिटिव लर्निंग एस्टीमेशन स्कीम (PID-LRLES) के साथ संवर्धित करने से विविध प्रवाह गतियों में सॉफ्ट रोबोटिक तैराकी की ट्रैकिंग सटीकता और पुनरावृत्ति में महत्वपूर्ण सुधार होता है, जिससे भविष्य के एम्बॉडीड इंटेलिजेंस अनुसंधान के लिए एक सुदृढ़ सक्षम परत प्रदान होती है।
MemoryVAM एक Recap-Cue मॉड्यूल के साथ एक एपिसोडिक मेमोरी तंत्र पेश करता है जो वीडियो-वर्ल्ड-मॉडल नीतियों में संकुचित ऐतिहासिक संदर्भ (compressed historical context) को इंजेक्ट करता है, जिससे रोबोटों को नॉन-मार्कोवियन चुनौतियों से पार पाने और सिम्युलेटेड एवं वास्तविक दुनिया के कार्यों पर लॉन्ग-होरिज़न मैनिपुलेशन सफलता दरों में महत्वपूर्ण सुधार करने में सक्षम बनाया जा सके।
SafeDojo एक नवीन मॉडल-आधारित सुरक्षित सुदृढीकरण शिक्षण (reinforcement learning) ढांचा है जो एक संवादात्मक वीडियो वर्ल्ड मॉडल का लाभ उठाता है ताकि विजन-लैंग्वेज-एक्शन नीतियों को कल्पना के माध्यम से सुरक्षित कार्यों को सीखने में सक्षम बनाया जा सके, जिससे मौजूदा बेसलाइनों की तुलना में सिमुलेशन और वास्तविक दुनिया के परिनियोजन दोनों में बेहतर कार्य सफलता और सुरक्षा प्रदर्शन प्राप्त किया जा सके।
यह शोध पत्र एक एकीकृत ढांचे को प्रस्तुत करता है जो एक क्लोज्ड-फॉर्म सरोगेट के साथ ग्लोबल सर्च और एक अंतिम ट्रैजेक्टरी सर्टिफिकेशन स्टेप का उपयोग करके मल्टी-व्यूपॉइंट निरीक्षण के लिए विजिटिंग ऑर्डर और रोबोट कॉन्फ़िगरेशन को संयुक्त रूप से अनुकूलित करता है, जिससे समय-इष्टतम, टकराव-मुक्त मार्ग प्राप्त होते हैं जो पारंपरिक मॉड्यूलर पाइपलाइनों से बेहतर प्रदर्शन करते हैं।
यह शोध पत्र एक यूनिटी-आधारित डिजिटल ट्विन फ्रेमवर्क प्रस्तुत करता है जो बिना लेन बंद किए यूएवी (UAV) पेवमेंट निगरानी रणनीतियों का मूल्यांकन करने के लिए प्रक्रियात्मक रूप से उत्पन्न (procedurally generated) ट्रैफ़िक और सड़क दोषों को एकीकृत करता है, जो यह प्रदर्शित करता है कि होवर-एंड-रीचेक (hover-and-recheck) और स्किप-एंड-रीविजिट (skip-and-revisit) जैसे अनुकूलन योग्य रिकवरी तरीके विभिन्न ट्रैफ़िक घनत्वों और उड़ान ऊंचाइयों के तहत 97% से अधिक निरीक्षण कवरेज प्राप्त कर सकते हैं।
यह शोध पत्र UNSEEN को प्रस्तुत करता है, जो अज्ञात वातावरण के लिए एक एकीकृत, केवल-दृष्टि (vision-only) आधारित नेविगेशन फ्रेमवर्क है, जो संसाधन-सीमित प्लेटफॉर्म पर मजबूत और उच्च-सटीक प्रक्षेपवक्र नियोजन (trajectory planning) प्राप्त करने के लिए स्पार्स एस्टीमेशन (sparse estimation) और अनिश्चितता प्रसार (uncertainty propagation) के माध्यम से स्थानीयकरण (localization), मानचित्रण (mapping) और नियोजन (planning) को स्पष्ट रूप से जोड़ता है।