4515 पेपर
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।
यह शोध पत्र एक एक्टर-केंद्रित साइडकार सुपरविजन पद्धति प्रस्तावित करता है जो एक्टर रिप्रेजेंटेशन को स्पष्ट रूप से ग्राउंड करने के लिए प्रशिक्षण के दौरान विशेषाधिकार प्राप्त सिम्युलेटर-व्युत्पन्न लेबल का लाभ उठाता है, जिससे कैमरा-प्रथम ओपन-लूप वेपॉइंट प्रेडिक्शन सटीकता में महत्वपूर्ण सुधार होता है और बेसलाइन मॉडलों की तुलना में अंतिम विस्थापन त्रुटि (डिस्प्लेसमेंट एरर) में 32.6% की कमी आती है।
ट्रिमोटion (TriMotion) एक मोडैलिटी-अज्ञेय (modality-agnostic) फ्रेमवर्क है जो एक नए डेटासेट और लेटेंट कंसिस्टेंसी ऑब्जेक्टिव के माध्यम से वीडियो, पोज़ और टेक्स्ट इनपुट्स को एक साझा मोशन एम्बेडिंग स्पेस में एकीकृत करता है, जिससे विषम उपयोगकर्ता इनपुट्स के माध्यम से उच्च-गुणवत्ता वाले, लचीले कैमरा-नियंत्रित वीडियो जनरेशन को सक्षम बनाया जा सके।
SignVLA एक वास्तविक समय का ढांचा है जो एक अटेंशन-एनहैंस्ड LSTM और टेम्पोरल स्टेबिलाइज़ेशन मॉड्यूल के माध्यम से सांकेतिक भाषा के इशारों को अर्थपूर्ण निर्देशों में परिवर्तित करके मानव-रोबोट संपर्क में सुलभता को बढ़ाता है, जिससे विजन-लैंग्वेज-एक्शन मॉडल को बधिर और वाक-विकलांग उपयोगकर्ताओं के लिए रोबोटिक मैनिपुलेशन कार्यों को निष्पादित करने में सक्षम बनाया जा सके।
यह शोध पत्र लिमा और न्यूयॉर्क शहर के मानव चालकों के प्रदर्शन की तुलना इन दो चुनौतीपूर्ण भौगोलिक क्षेत्रों के विविध ड्राइविंग परिदृश्यों में विजन-लैंग्वेज मॉडल्स (VLMs) के विरुद्ध करने के लिए रोबस्टो-2 (Robusto-2) बेंचमार्क प्रस्तुत करता है, जो यह प्रकट करता है कि हालांकि प्रश्न के प्रकार के आधार पर मानव और VLM की प्रतिक्रियाएं भिन्न होती हैं, लेकिन परिदृश्यों की उच्च आउट-ऑफ-डिस्ट्रीब्यूशन प्रकृति के कारण दोनों समूहों में विशिष्ट शहर के कारण प्रदर्शन में कोई महत्वपूर्ण भिन्नता नहीं दिखाई देती है।
BayesFP एक एकीकृत, रिट्रेनिंग-मुक्त इन्फरेंस-टाइम फ्रेमवर्क प्रस्तुत करता है जो डिफ्यूजन और फ्लो-मैचिंग पॉलिसियों दोनों के लिए पोस्टीरियर सैंपलिंग को सक्षम करने हेतु फेनमैन-काक सुधारक (Feynman-Kac corrector) का लाभ उठाता है, जिससे रोबोट्स को सीखे गए विशेषज्ञ व्यवहार के प्रति वफादार रहते हुए सुरक्षा बाधाओं और कार्य उद्देश्यों को पूरा करने वाले प्रक्षेप पथ (trajectories) उत्पन्न करने की अनुमति मिलती है।