4653 पेपर
यह शोध पत्र MuJoCo प्रतिकृति और स्ट्रेस टेस्टिंग के माध्यम से SPARK ह्यूमनाइड सुरक्षा फिल्टरों की मजबूती का मूल्यांकन करता है, जो यह प्रकट करता है कि बाधाओं की भीड़ और शोर वाले डेटा जैसी चुनौतीपूर्ण स्थितियों के तहत उनका प्रदर्शन काफी भिन्न होता है, जिससे सामान्य बेंचमार्क से परे विफलता मोड को उजागर करने वाले मूल्यांकन मेट्रिक्स की आवश्यकता पर बल मिलता है।
RLFTSim एक सुदृढीकरण अधिगम (reinforcement learning) आधारित फाइन-ट्यूनिंग फ्रेमवर्क है जो सिम्युलेटर रोलआउट्स को वास्तविक दुनिया के डेटा वितरण के साथ संरेखित करके और स्टेट-ऑफ-द-आर्ट प्रदर्शन प्राप्त करने के लिए एक कम-विचलन वाले, सघन रिवॉर्ड सिग्नल का उपयोग करके मल्टी-एजेंट ट्रैफिक सिमुलेशन की वास्तविकता और नियंत्रणीयता को बढ़ाता है, जैसा कि वेमो ओपन मोशन डेटासेट (Waymo Open Motion Dataset) पर देखा गया है।
यह शोध पत्र STRELGen को प्रस्तुत करता है, जो एक स्केलेबल न्यूरो-सिम्बोलिक फ्रेमवर्क है जो रोबस्ट ऑटोनॉमस व्हीकल टेस्टिंग के लिए सुरक्षा-महत्वपूर्ण, यथार्थवादी ड्राइविंग परिदृश्यों को कुशलतापूर्वक उत्पन्न करने हेतु एक मल्टी-एजेंट ट्रैजेक्टरी-जेनरेशन डिफ्यूजन मॉडल को डिफरेंशिएबल स्पैटियो-टेम्पोरल लॉजिक विनिर्देशों के साथ संयोजित करता है।
यह शोध प्रबंध "इंटरेक्शन-रेडीनेस" (interaction-readiness) को परिभाषित करते हुए, एक मात्रात्मक मूल्यांकन ढांचे का प्रस्ताव करते हुए, और एक मल्टी-मोडल, सिम्युलेटर-इन-द-लूप विधि पेश करते हुए सिमुलेशन-तैयार आर्टिकुलेटेड वस्तुओं के निर्माण की चुनौती को संबोधित करता है जो रोबोट लर्निंग की स्थिरता और प्रदर्शन को बढ़ाने के लिए अपूर्ण 3D एसेट्स को स्वचालित रूप से भौतिक रूप से सुसंगत मॉडलों में परिष्कृत करता है।
यह शोध पत्र एक डुअल-बैंडविड्थ एक्सपोनेंशियल रिवॉर्ड स्ट्रक्चर और टर्मिनेशन कंडीशंस को डिजाइन करके RL-आधारित क्वाड्रोटर नियंत्रण के प्रदर्शन को ट्यून करने के लिए एक नवीन ह्यूरिस्टिक दृष्टिकोण प्रस्तावित करता है, जो क्रिटिकली डैम्प्ड बेसलाइन रिस्पॉन्स और कम स्टेडी-स्टेट एरर बनाए रखते हुए समायोज्य सेटलिंग टाइम (एक्रोबैटिक से लेकर निरीक्षण-जैसे तक की रेंज में) वाली पॉलिसियों के निर्माण को सक्षम बनाता है।
यह शोध पत्र अंडर-कैनोपी (वृक्षों के नीचे) वन निरीक्षण के लिए एक स्वायत्त क्वाड्रोटर प्रणाली प्रस्तुत करता है जो सटीक व्यू-पोज़ ट्रैकिंग के लिए डीप रीइन्फोर्समेंट लर्निंग-आधारित लो-लेवल कंट्रोलर को एक हाई-लेवल नेविगेशन स्टैक के साथ जोड़ता है, जिसमें सुरक्षित और लंबी दूरी के मिशन निष्पादन सुनिश्चित करने के लिए TSP और RRT* प्लानर्स का उपयोग किया गया है।
यह शोधपत्र संचार बाधाओं और गैररेखीय गतिकी (nonlinear dynamics) के तहत मल्टी-रोबोट अनलेबल मोशन प्लानिंग समस्या को हल करने के लिए एक ग्राफ अटेंशन प्लानर (Graph Attention Planner) के साथ एक विकेंद्रीकृत नॉनलीनियर मॉडल प्रेडिक्टिव कंट्रोलर (Nonlinear Model Predictive Controller) को संयोजित करने वाला एक पदानुक्रमित ढांचा प्रस्तावित करता है, जो सिमुलेशन और वास्तविक दुनिया के क्वाड्रोटर प्रयोगों दोनों में मजबूती और स्केलेबिलिटी प्रदर्शित करता है।
PRISM-SLAM एक रियल-टाइम मोनोकुलर SLAM फ्रेमवर्क है जो स्केल अस्पष्टता (scale ambiguity) को हल करने और गतिशील वातावरण को संभालने के लिए प्लकर रे-डिस्टेंस फैक्टर्स (Plücker ray-distance factors) और डायनेमिक अनसर्टेन्टी गेटिंग (dynamic uncertainty gating) का उपयोग करते हुए विजन फाउंडेशन मॉडल प्रायर्स (vision foundation model priors) को एक बेयसियन फैक्टर ग्राफ (Bayesian factor graph) में एकीकृत करता है, जिससे पोस्ट-हॉक सुधार के बिना 30 FPS पर मेट्रिक-कंसिस्टेंट लोकलाइजेशन प्राप्त होता है।
यह शोध पत्र मानव रूपी रोबोटों (ह्यूमनॉइड रोबोट्स) के वायरलेस एक्सआर (XR) टेलीऑपरेशन के लिए एक डोमेन-अनुकूली संचार-दर अनुकूलन ढांचे का प्रस्ताव करता है जो सिम-टू-रियल वितरण बदलावों (डिस्ट्रीब्यूशन शिफ्ट्स) के तहत मोशन रिकंस्ट्रक्शन सटीकता को बनाए रखते हुए ऊर्जा खपत को कम करने के लिए एक सिम्युलेटर-प्रशिक्षित, डेंसिटी-रेशियो-वेटेड पीपीओ (PPO) एल्गोरिदम का उपयोग करता है।
यह शोध पत्र RoboJailBench प्रस्तुत करता है, जो एम्बोडेड (embodied) AI सिस्टम में जेलब्रेक हमलों के लिए पहला मानकीकृत मूल्यांकन ढांचा है, जो एक सुरक्षा वर्गीकरण (security taxonomy) स्थापित करके, एक इंटेंट कंट्रास्ट (intent contrast) डेटासेट पाइपलाइन बनाकर, और एम्बोडेड विजन-लैंग्वेज मॉडल्स में सुरक्षा और उपयोगिता के बीच के संतुलन का आकलन करने के लिए एकीकृत मेट्रिक्स प्रदान करके मौजूदा कमियों को दूर करता है।