4796 पेपर
सेफमाइंड (SafeMind) एक डिफरेंशिएबल स्टोकेस्टिक कंट्रोल फ्रेमवर्क है जो अनिश्चितता के तहत कार्य करने वाले क्वाड्रुपेड रोबोट्स के लिए औपचारिक सुरक्षा गारंटी प्रदान करने और उनकी चपलता में सुधार करने हेतु सिमेंटिक कॉन्टेक्स्ट और मेटा-एडेप्टिव रिस्क कैलिब्रेशन के साथ प्रोबेबिलिस्टिक कंट्रोल बैरियर फंक्शन्स को एकीकृत करता है।
यह शोध पत्र एक वृद्धिशील (incremental) RGB+LiDAR पाइपलाइन प्रस्तावित करता है जो सीधे लेबल ट्रांसफर के लिए विजन फाउंडेशन मॉडल्स और उच्च-गुणवत्ता वाले, सिमेंटिक रूप से लेबल किए गए मेश (mesh) उत्पन्न करने के लिए सिमेंटिक-सहायता प्राप्त TSDF फ्यूजन का लाभ उठाता है, जो इनडोर स्कैन से प्रभावी रूप से ज्यामितीय ड्रिफ्ट (geometric drift) और पॉइंट क्लाउड की विरलता (sparsity) पर विजय प्राप्त करते हुए अत्याधुनिक बेसलाइनों से बेहतर प्रदर्शन करता है।
LiloDriver एक लाइफलॉन्ग लर्निंग फ्रेमवर्क है जो बड़े भाषा मॉडल (large language models) को मेमोरी-ऑगमेंटेड प्लानर जनरेशन सिस्टम के साथ एकीकृत करता है ताकि लॉन्ग-टेल ऑटोनॉमस ड्राइविंग परिदृश्यों में एडेप्टिव, क्लोज्ड-लूप मोशन प्लानिंग सक्षम की जा सके, जो बिना पुनरप्रशिक्षण (retraining) के nuPlan बेंचमार्क पर उत्कृष्ट प्रदर्शन प्राप्त करता है।
UniLACT एक ट्रांसफार्मर-आधारित विजन-लैंग्वेज-एक्शन मॉडल पेश करता है जो प्रीट्रेनिंग में डेप्थ-अवेयर ज्योमेट्रिक स्ट्रक्चर को शामिल करने के लिए एक यूनिफाइड लेटेंट एक्शन लर्निंग फ्रेमवर्क (UniLARN) का लाभ उठाता है, जो सिमुलेशन और वास्तविक दुनिया दोनों सेटिंग्स में केवल RGB-आधारित बेसलाइन की तुलना में स्थानिक प्रायों (spatial priors) और हेरफेर प्रदर्शन में महत्वपूर्ण सुधार करता है।
यह शोध पत्र स्वायत्त प्रणालियों के लिए एक नियंत्रण अनुकूलन दृष्टिकोण प्रस्तुत करता है जो उनकी परिचालन क्षमताओं को आउट-ऑफ-ओडीडी (out-of-ODD) परिदृश्यों को संभालने के लिए गतिशील रूप से विस्तारित करता है और साथ ही अप्रत्याशित परिस्थितियों में विश्वसनीय प्रदर्शन सुनिश्चित करने के लिए औपचारिक मात्रात्मक गारंटी प्रदान करता है।
यह शोध पत्र रिवॉर्ड्स या लेबल्स तक पहुंच के बिना, सीधे रॉ स्टेट और पॉलिसी ट्रेजेक्टरीज से रिवॉर्ड मशीनों को सीखने की एक विधि प्रस्तावित करता है, जो डेटा और कम्प्यूटेशनल दक्षता में सुधार के लिए ट्रेजेक्टरी एक्सटेंशन को इंक्रीमेंटली क्वेरी करने हेतु एक एक्टिव लर्निंग फ्रेमवर्क पेश करता है।
GraspDreamer एक नवीन विधि है जो सामान्य रोबोटों के लिए ज़ीरो-शॉट कार्यात्मक ग्रैस्पिंग (zero-shot functional grasping) को सक्षम करने के लिए विज़ुअल जनरेटिव मॉडल्स द्वारा संश्लेषित मानव प्रदर्शनों का लाभ उठाती है, जिससे श्रम-साध्य वास्तविक दुनिया के डेटा संग्रह की आवश्यकता के बिना बेहतर डेटा दक्षता और सामान्यीकरण प्राप्त होता है।
यह शोध पत्र GPU-SLS प्रस्तुत करता है, जो एक GPU-समानांतरित (GPU-parallelized) फ्रेमवर्क है जो सिस्टम लेवल सिंथेसिस (System Level Synthesis) के माध्यम से प्रक्षेप पथों (trajectories) और नियंत्रकों (controllers) को संयुक्त रूप से अनुकूलित करके उच्च-आयामी अनिश्चित रोबोटिक प्रणालियों के लिए रीयल-टाइम, सुरक्षित और सुदृढ़ नॉनलीनियर मॉडल प्रेडिक्टिव कंट्रोल प्राप्त करता है, जो 100% अनुभवजन्य सुरक्षा बनाए रखते हुए अत्याधुनिक विधियों की तुलना में समाधान समय को 97.7% तक कम कर देता है।
लगभग 50,000 रोबोटिक्स अनुसंधान लेखों के इस बड़े पैमाने के सर्वेक्षण से पता चलता है कि संयुक्त राष्ट्र के सतत विकास लक्ष्यों को संबोधित करने की क्षेत्र की क्षमता और इस वास्तविकता के बीच एक महत्वपूर्ण अंतर है कि स्पष्ट स्थिरता प्रेरणाएँ और संदर्भ असाधारण रूप से कम बने हुए हैं, जो मानक अनुसंधान प्रथाओं में जिम्मेदार नवाचार को एकीकृत करने के लिए ठोस कार्रवाई का आह्वान करते हैं।
यह शोध पत्र RAGE-XY प्रस्तुत करता है, जो स्वायत्त रेस कारों के लिए एक उन्नत वास्तविक समय अनुमान ढांचा (real-time estimation framework) है, जो ऑनलाइन RADAR अंशांकन (calibration) और एक ट्राइसाइकिल वाहन मॉडल को शामिल करके वाहन के वेग, स्लिप कोण, और अनुदैर्ध्य (longitudinal) एवं पार्श्व (lateral) दोनों टायर बलों का सटीक रूप से अनुमान लगाने के लिए ऑनबोर्ड IMUs और RADARs का उपयोग करता है।