4829 पेपर
यह शोधपत्र BiGraspFormer को प्रस्तुत करता है, जो एक एकीकृत एंड-टू-एंड ट्रांसफॉर्मर फ्रेमवर्क है जो ऑब्जेक्ट पॉइंट क्लाउड्स से सीधे समन्वित द्विपक्षीय ग्रैस्प्स (bimanual grasps) उत्पन्न करने के लिए सिंगल-गाइडेड द्विपक्षीय (Single-Guided Bimanual - SGB) रणनीति का उपयोग करता है, जो खोज जटिलता को कम करके और टकराव-मुक्त, संतुलित हेरफेर सुनिश्चित करके मौजूदा अलग-अलग चरणों वाली विधियों की सीमाओं को प्रभावी ढंग से दूर करता है।
EfficientNav स्मॉल LLM के प्रदर्शन को बढ़ाने के लिए सिमेंटिक्स-अवेयर मेमोरी रिट्रीवल को डिस्क्रीट मेमोरी कैशिंग और अटेंशन-बेस्ड क्लस्टरिंग के साथ जोड़कर ऑन-डिवाइस, ज़ीरो-शॉट ऑब्जेक्ट-गोल नेविगेशन को सक्षम बनाता है, जिससे क्लाउड-आधारित GPT-4 बेसलाइन्स की तुलना में बेहतर सफलता दर और तेज़ इन्फरेंस प्राप्त होता है।
यह शोध पत्र विजुअल-इनर्शियल ओडोमेट्री के लिए एक ड्यूल-एजेंट सुदृढीकरण लर्निंग (reinforcement learning) फ्रेमवर्क प्रस्तावित करता है जो विजुअल फ्रंटएंड को अनुकूल रूप से गेट करता है और बेहतर सटीकता-दक्षता-मेमोरी ट्रेड-ऑफ प्राप्त करने के लिए स्टेट अनुमानों को संलयित (fuse) करता है, जो ट्रैजेक्टरी की प्रतिस्पर्धी सटीकता बनाए रखते हुए गति और मेमोरी उपयोग में मौजूदा GPU-आधारित प्रणालियों से बेहतर प्रदर्शन करता है।
यह शोध पत्र VLM-IRIS को प्रस्तुत करता है, जो एक ज़ीरो-शॉट फ्रेमवर्क है जो थर्मल छवियों को RGB-अनुकूल योग्य निरूपणों में परिवर्तित करके CLIP-आधारित विज़न-लैंग्वेज मॉडलों को इन्फ्रारेड औद्योगिक सेंसिंग के लिए अनुकूलित करता है, जिससे बिना मॉडल पुन: प्रशिक्षण या लेबल किए गए डेटासेट की आवश्यकता के एडिटिव मैन्युफैक्चरिंग में वर्कपीस का सटीक पता लगाना सक्षम होता है।
Fast-FoundationStereo वास्तविक समय के स्टीरियो मिलान आर्किटेक्चर के एक परिवार को पेश करता है जो फाउंडेशन मॉडल की सटीकता और कुशल तरीकों की गति के बीच के अंतर को पाटने के लिए नॉलेज डिस्टिलेशन, ब्लॉकवाइज न्यूरल आर्किटेक्चर सर्च और स्ट्रक्चर्ड प्रूनिंग को जोड़कर मजबूत ज़ीरो-शॉट सामान्यीकरण (zero-shot generalization) प्राप्त करता है।
यह शोध पत्र DexWM को प्रस्तुत करता है, जो एक वर्ल्ड मॉडल है जो फिंगर कीपॉइंट्स और हैंड कंसिस्टेंसी लॉस का उपयोग करके 900 घंटों से अधिक के मानव वीडियो से डेक्सट्रस हैंड-ऑब्जेक्ट इंटरैक्शन सीखता है, और पूर्ववर्ती विधियों की तुलना में बेहतर फ्यूचर-स्टेट प्रेडिक्शन और अनदेखे रोबोटिक कार्यों में ज़ीरो-शॉट ट्रांसफर प्राप्त करता है।
यह शोध पत्र DefVINS को प्रस्तुत करता है, जो विरूपित दृश्यों (deformable scenes) के लिए डिज़ाइन किया गया पहला विजुअल-इनर्शियल ओडोमेट्री पाइपलाइन है जो एक रिजिड IMU-एंकर वाले स्टेट को एक नॉन-रिजिड एम्बेडेड डिफॉर्मेशन ग्राफ के साथ जोड़ता है, जिसे एक नए वास्तविक-विश्व बेंचमार्क (VIMandala) और एक अवलोकनीयता विश्लेषण (observability analysis) द्वारा समर्थित किया गया है जो मौजूदा रिजिड और नॉन-रिजिड बेसलाइनों पर इसके उत्कृष्ट प्रदर्शन को प्रदर्शित करता है।
यह शोधपत्र CompliantVLA-adaptor प्रस्तुत करता है, जो एक ऐसा ढांचा है जो VLM-निर्देशित, संदर्भ-जागरूक परिवर्तनीय प्रतिबाधा नियंत्रण (variable impedance control) और वास्तविक समय के बल फीडबैक को एकीकृत करके विजन-लैंग्वेज-एक्शन मॉडल्स को उन्नत करता है, ताकि संपर्क-समृद्ध रोबोटिक हेरफेर कार्यों की सुरक्षा और सफलता दर में महत्वपूर्ण सुधार किया जा सके।
ट्रायल्स साइकिलिस्टों से प्रेरित, यह शोध पत्र अल्ट्रा मोबिलिटी व्हीकल (UMV) के डिज़ाइन और नियंत्रण को प्रस्तुत करता है, जो एक 23.5 किलोग्राम का रोबोटिक साइकिल है जो विविध एथलेटिक व्यवहारों, जैसे कि उच्च गति से ड्राइविंग, सिंगल-व्हील बैलेंसिंग, और अपनी ऊंचाई के 130% तक की बाधाओं को कूदने के लिए सिमुलेशन-संचालित अनुकूलन और कन्सट्रेंड रिइन्फोर्समेंट लर्निंग का उपयोग करके ज़ीरो-शॉट ट्रांसफर प्राप्त करता है।
यह शोध पत्र विजन-लैंग्वेज-एक्शन (Vision-Language-Action) रोबोट्स में टेस्ट ऑरेकल समस्या को संबोधित करने के लिए विशिष्ट संबंधों के साथ एक सामान्यीकरण योग्य मेटामॉर्फिक टेस्टिंग फ्रेमवर्क प्रस्तावित करता है, जो यह प्रदर्शित करता है कि यह बिना किसी स्पष्ट टेस्ट ऑरेकल की आवश्यकता के विभिन्न मॉडलों, रोबोटों और कार्यों में विविध विफलताओं का प्रभावी ढंग से पता लगा सकता है।