4700 पेपर
यह शोध पत्र TinySDP को प्रस्तुत करता है, जो एम्बेडेड सिस्टम के लिए डिज़ाइन किया गया पहला सेमीडेफिनेट प्रोग्रामिंग सॉल्वर है जो माइक्रोकंट्रोलर्स पर रीयल-टाइम, प्रमाणित मॉडल-प्रेडिक्टिव कंट्रोल को सक्षम बनाता है, और चुनौतीपूर्ण गतिशील वातावरण में अत्याधुनिक बेसलाइन की तुलना में बेहतर टकराव-मुक्त नेविगेशन और पथ दक्षता प्राप्त करता है।
यह शोध पत्र FrameSkip को पेश करता है, जो एक डेटा-लेयर फ्रेमवर्क है जो एक्शन वेरिएशन और विजुअल कोहेरेंस के आधार पर उच्च-महत्व वाले फ्रेमों को चुनिंदा रूप से सैंपल करके विजन-लैंग्वेज-एक्शन (VLA) ट्रेनिंग की दक्षता और प्रदर्शन को बढ़ाता है, जिससे मूल ट्राजेक्टरी फ्रेमों के केवल 20% को बनाए रखते हुए बेंचमार्क में 76.15% सफलता दर प्राप्त होती है।
यह शोध पत्र LMPath प्रस्तुत करता है, जो एक नवीन पाइपलाइन है जो उपग्रह इमेजरी से सिमेंटिक एक्सप्लोरेशन प्रायर्स (semantic exploration priors) बनाने के लिए जनरेटिव लैंग्वेज मॉडल्स और फाउंडेशन विजन मॉडल्स का लाभ उठाता है, जिससे यूएवी (UAVs) को कुशल खोज पथ उत्पन्न करने में सक्षम बनाया जा सके जो बड़े पैमाने के वातावरण में पारंपरिक ज्यामितीय कवरेज पैटर्न की तुलना में काफी बेहतर प्रदर्शन करते हैं।
यह शोधपत्र रोलबॉट (Rollbot) को प्रस्तुत करता है, जो केवल एक एकल एक्चुएटर (actuator) का उपयोग करके, व्युत्पन्न अर्ध-स्थिर अवस्था गतिकी (quasi-stable state dynamics) के आधार पर त्वरण और मंदन के माध्यम से प्रक्षेपवक्र वक्रता (trajectory curvature) को नियंत्रित करके, नियंत्रित 2D समतलीय गति करने में सक्षम प्रथम गोलाकार रोबोट है।
यह शोध पत्र "ट्रैजेक्टरी फर्स्ट" (Trajectory First) प्रस्तावित करता है, जो एक दो-चरणीय करिकुलम लर्निंग फ्रेमवर्क है जो विविध, उच्च-पुरस्कार वाले व्यवहार उत्पन्न करने के लिए एक स्प्लाइन-आधारित ट्रैजेक्टरी प्रायर (spline-based trajectory prior) का लाभ उठाता है और तत्पश्चात उन्हें रिएक्टिव पॉलिसियों में संकुचित (distill) करता है, जिससे रोबोटिक मैनिपुलेशन जैसे जटिल कार्यों के लिए मौजूदा कंस्ट्रेंड-डाइवर्सिटी सुदृढीकरण शिक्षण (constrained-diversity reinforcement learning) विधियों में पाई जाने वाली सीमित अन्वेषण और व्यवहार संबंधी विविधता की समस्याओं को दूर किया जा सके।
यह शोधपत्र एक एकीकृत सक्रिय अनुमान (एक्टिव इन्फरेंस) कम्प्यूटेशनल मॉडल प्रस्तावित करता है जो प्रतिक्रिया समय, युद्धाभ्यास चयन और निष्पादन पर अनुभवजन्य निष्कर्षों को पुनरुत्पादित करने के लिए साक्ष्य संचय तंत्र को एकीकृत करके विभिन्न परिदृश्यों में विविध मानवीय टकराव बचाव व्यवहारों की सफलतापूर्वक व्याख्या करता है।
यह शोध पत्र प्रदर्शित करता है कि एक उचित रूप से व्युत्पन्न डिलेड-स्टेट कलमन फ़िल्टर (DSKF), डिलेड-स्टेट मापों को संभालने के लिए स्टोकेस्टिक क्लोनिंग के समान ही स्टेट और कोवेरिएंस अपडेट प्राप्त करता है, जो स्टेट ऑग्मेंटेशन की आवश्यकता के बिना समकक्ष सटीकता प्रदान करता है और संभावित रूप से गणनात्मक लागत को कम करता है।
यह शोध पत्र एडेप्टिव फेलियर-इन्फॉर्म्ड लर्निंग (AFIL) को प्रस्तुत करता है, जो एक एंड-टू-एंड फ्रेमवर्क है जो ऑनलाइन-जनरेटेड फेलियर ट्राजेक्टरीज को एडेप्टिव नेगेटिव गाइडेंस के रूप में उपयोग करके विजन-लैंग्वेज-एक्शन मॉडल्स की मजबूती को बढ़ाता है ताकि नीतियों को त्रुटि-प्रवण क्षेत्रों से दूर ले जाया जा सके और कार्य सफलता दरों में सुधार किया जा सके।
BEACON एक सिद्धांत-आधारित ढांचा है जो को-ट्रेनिंग (co-training) को एक विसंगति-जागरूक महत्व-पुनःभारण (discrepancy-aware importance-reweighting) समस्या के रूप में प्रस्तुत करके क्रॉस-डोमेन सेटिंग्स में जनरेटिव रोबोट नीतियों की सुदृढ़ता और डेटा दक्षता को बढ़ाता है, जो लक्ष्य-डोमेन सामान्यीकरण त्रुटि को न्यूनतम करने के लिए एक डिफ्यूजन-आधारित विज़ुओमोटर नीति और प्रति-नमूना स्रोत भार (per-sample source weights) को संयुक्त रूप से अनुकूलित करता है।
यह शोध पत्र ACSAC का प्रस्ताव करता है, जो एक एडेप्टिव चंक साइज़ एक्टर-क्रिटिक विधि है जो स्टेट-डिपेंडेंट एक्सपेक्टेड रिटर्न्स के आधार पर इष्टतम एक्शन चंक साइज़ को गतिशील रूप से चुनने के लिए एक कॉज़ल ट्रांसफॉर्मर Q-नेटवर्क का उपयोग करती है, जिससे फिक्स्ड चंक साइज़ की सीमाओं को दूर किया जा सके और लॉन्ग-होराइज़न, स्पार्स-रिवॉर्ड मैनिपुलेशन टास्क पर स्टेट-ऑफ-द-आर्ट प्रदर्शन प्राप्त किया जा सके।