4546 पेपर
यह शोध पत्र टॉर्क-नियंत्रित रेडंडेंट रोबोट्स के लिए एक एक्चुएटर-अवेयर इनवर्स किनेमैटिक्स विधि प्रस्तुत करता है जो जॉइंट सीमाओं और एक्चुएटर क्षमताओं का सम्मान करते हुए जॉइंट-वेलोसिटी कमांड उत्पन्न करने के लिए एक कॉनवेक्स क्वाड्रेटिक प्रोग्रामिंग समस्या को सूत्रबद्ध करता है, जिससे डाउनस्ट्रीम टॉर्क-लेवल कंट्रोलर को संशोधित किए बिना वास्तविक कार्य प्रदर्शन में सुधार होता है।
यह शोध पत्र REIS प्रस्तुत करता है, जो एक मानव संज्ञान-प्रेरित ढांचा है जो प्रतिस्पर्धी कार्य प्रदर्शन बनाए रखते हुए विलंबता (latency) को महत्वपूर्ण रूप से कम करने के लिए टेम्पोरल रिडंडेंसी (temporal redundancy) का लाभ उठाकर ऑन-डिवाइस रोबोटिक प्लानिंग में इन्फरेंस रिडंडेंसी को समाप्त करता है।
यह शोध पत्र BARD को प्रस्तुत करता है, जो बैच किए गए डिफरेंशिएबल रिजिड-बॉडी डायनेमिक्स के लिए एक स्व-निहित, GPU-अनुकूलित PyTorch लाइब्रेरी है, जो संख्यात्मक सटीकता बनाए रखते हुए और प्रभावी ग्रेडिएंट-आधारित सिस्टम आइडेंटिफिकेशन को सक्षम करते हुए, थ्रूपुट और प्रशिक्षण गति में Pinocchio जैसे मौजूदा CPU-बाउंड समाधानों से काफी बेहतर प्रदर्शन करता है।
यह शोध पत्र "Phantom" प्रस्तुत करता है, जो एक स्केलेबल फ्रेमवर्क है जो केवल मानव वीडियो प्रदर्शनों को हैंड पोज़ एस्टीमेशन और विजुअल डोमेन अलाइनमेंट के माध्यम से रोबोट-अनुकूल डेटा में परिवर्तित करके, सामान्य-उद्देश्य वाले मैनिपुलेशन रोबोटों के ज़ीरो-शॉट प्रशिक्षण को सक्षम बनाता है, जिससे बिना किसी रोबोट डेटा या फाइन-ट्यूनिंग के विविध कार्यों पर उच्च सफलता दर प्राप्त होती है।
यह शोधपत्र एक एकीकृत ढांचे को प्रस्तुत करता है जो मनमाने लीडर रूपों को संभालने के लिए सेगमेंटेशन-आधारित डिटेक्शन का उपयोग करता है और एक लक्ष्य-जागरूक अनुकूलन तंत्र के साथ ग्राफ-आधारित योजना नियोजन करता है ताकि तब भी निरंतर ट्रैकिंग और बाधा निवारण सुनिश्चित किया जा सके जब लीडर अस्थायी रूप से रोबोट के दृश्य क्षेत्र से बाहर चला जाता है।
मैस्करेड (Masquerade) आर्म इनपेंटिंग (arm inpainting) और रोबोट ओवरले (robot overlay) के माध्यम से इन-द-वाइल्ड (in-the-wild) मानव वीडियो को संपादित करके रोबोट प्रदर्शनों को संश्लेषित करके रोबोट डेटा की कमी को संबोधित करता है, जो एक सह-प्रशिक्षण (co-training) रणनीति को सक्षम बनाता है जो लॉन्ग-होरिज़न द्विपक्षीय कार्यों (long-horizon bimanual tasks) पर मौजूदा विधियों से काफी बेहतर प्रदर्शन करता है।
यह शोध पत्र रोबोट स्टेट-अवेयर कॉन्ट्रास्टिव लॉस (RS-CL) का परिचय देता है, जो एक हल्का प्रतिनिधित्व नियमितीकरण (representation regularization) तकनीक है जो विजन-लैंग्वेज-एक्शन मॉडल के प्रतिनिधित्व को रोबोटिक प्रोप्रियोसेप्टिव अवस्थाओं के साथ संरेखित करता है, जिससे सिम्युलेटेड और वास्तविक दुनिया के मैनिपुलेशन बेंचमार्क पर प्रदर्शन में महत्वपूर्ण सुधार होता है।
यह शोधपत्र कॉन्टिन्यूम रोबोट्स के लिए पहला स्टोकेस्टिक स्लाइडिंग-विंडो फ़िल्टर प्रस्तुत करता है जो मौजूदा डिस्क्रीट-टाइम अनुमानों और ऑफलाइन विधियों की सीमाओं को पार करते हुए, वास्तविक समय से तेज़ गति पर सटीक, ऑनलाइन, निरंतर-समय अवस्था अनुमान (स्टेट एस्टीमेशन) सक्षम बनाता है।
यह शोध पत्र DUST का प्रस्ताव करता है, जो एक डुअल-स्ट्रीम डिफ्यूजन फ्रेमवर्क है जो विजन-लैंग्वेज-एक्शन मॉडल्स को वर्ल्ड मॉडल्स के साथ संवर्धित करता है ताकि मोडैलिटी अंतराल को दूर किया जा सके और रोबोटिक पॉलिसी लर्निंग में सुधार किया जा सके, जो क्रॉस-मोडल कॉज़ल लर्निंग और एसिंक्रोनस सैंपलिंग के माध्यम से सिम्युलेटेड और वास्तविक दुनिया के कार्यों में महत्वपूर्ण प्रदर्शन लाभ प्राप्त करता है।
SurfFill एक नवीन LiDAR पॉइंट क्लाउड कंप्लीशन विधि है जो बीम डाइवर्जेंस के कारण उत्पन्न होने वाले संदिग्ध क्षेत्रों की पहचान करने और उन्हें सघन बनाने के लिए गॉसियन सर्फेल स्प्लेटिंग का लाभ उठाती है, जो प्रभावी रूप से LiDAR की ज्यामितीय सटीकता को कैमरा-आधारित विवरण रिकवरी के साथ जोड़कर मौजूदा पुनर्निर्माण तकनीकों से बेहतर प्रदर्शन करती है।