4934 पेपर
यह शोध पत्र एक स्केलेबल, सुदृढीकरण शिक्षण-संचालित (reinforcement learning-driven) सिमुलेशन फ्रेमवर्क प्रस्तुत करता है जिसमें एक पूर्ण-शरीर मस्कुलोस्केलेटल मॉडल शामिल है जो इंटरैक्टिव रोबोटिक्स के लिए आंतरिक मानव बायोमैकेनिकल मेट्रिक्स तक सीधी पहुंच प्रदान करके रोबोटिक संरचनात्मक डिजाइन और नियंत्रण नीतियों के मात्रात्मक सह-अनुकूलन (co-optimization) को सक्षम बनाता है।
यह शोध पत्र MORLAX, जो कि एक GPU-नेटिव मल्टी-ऑब्जेक्टिव रीइन्फोर्समेंट लर्निंग एल्गोरिदम है, और MO-Playground, जो कि GPU-त्वरित वातावरणों का एक सुइट है, को प्रस्तुत करता है, जो मिलकर बड़े पैमाने पर समानांतर प्रशिक्षण (massively parallelized training) को सक्षम करते हैं जो लीगेसी CPU-आधारित दृष्टिकोणों की तुलना में जटिल रोबोटिक्स कार्यों के लिए 25–270x की गति वृद्धि और बेहतर पारेटो फ्रंट्स (Pareto fronts) प्राप्त करते हैं।
यह शोध पत्र NS-VLA को प्रस्तुत करता है, जो एक नवीन न्यूरो-सिंबोलिक विजन-लैंग्वेज-एक्शन फ्रेमवर्क है जो मौजूदा विधियों की तुलना में बेहतर डेटा दक्षता, ज़ीरो-शॉट सामान्यीकरण (zero-shot generalizability), और रोबोटिक मैनिपुलेशन में विस्तारित अन्वेषण प्राप्त करने के लिए सिंबोलिक एनकोडिंग, सॉल्विंग और ऑनलाइन सुदृढीकरण लर्निंग (reinforcement learning) को एकीकृत करता है।
यह शोध पत्र केबल-टो (cable-towed) समतलीय वस्तु हेरफेर को एक रूटिंग-जागरूक (routing-aware), टेंशनिंग-निहित (tensioning-implicit) प्रक्षेपवक्र अनुकूलन समस्या के रूप में प्रतिपादित करता है जो टॉर्क को गतिशील रूप से पुनर्निर्देशित करने के लिए स्व-लपेटन (self-wrapping) का लाभ उठाता है, और एक विश्रांति पदानुक्रम (relaxation hierarchy) का प्रस्ताव देता है जहाँ इम्पलिसिट-मोड रिलैक्सेशन (IMR) स्पष्ट रूटिंग निर्णयों की रूढ़िवादिता के बिना मुड़ने के युद्धाभ्यास के लिए स्व-लपेटन का प्रभावी ढंग से उपयोग करता है।
यह शोध पत्र सेंसर-कंडीशन्ड डिफ्यूजन पॉलिसीज (SCDP) प्रस्तुत करता है, जो एक नवीन ढांचा है जो केवल ऑनबोर्ड सेंसर का उपयोग करके सुदृढ़ ह्युमनॉइड लोकोमोशन को सक्षम बनाता है, जो मिश्रित-अवलोकन प्रशिक्षण और विशिष्ट डिनोइजिंग तकनीकों के माध्यम से विशेषाधिकार प्राप्त पूर्ण-शरीर ज्ञान को संकुचित (distill) करता है, और बिना किसी स्पष्ट स्टेट एस्टिमेशन के, सिम्युलेशन में लगभग पूर्ण प्रदर्शन और G1 रोबोट पर वास्तविक दुनिया में तैनाती को सफलतापूर्वक प्राप्त करता है।
यह शोध पत्र नैनो-स्केल एरियल रोबोटिक्स की अनूठी मॉडलिंग और नियंत्रण चुनौतियों को संबोधित करने के लिए एक 27 ग्राम क्रेजीफ्लाई 2.1 नैनो-क्वाड्रोटर पर एकत्र किए गए सिंक्रोनाइज़्ड एक्चुएटर-लेवल सिग्नल्स, कंट्रोलर इंटरनल्स और मिलीमीटर-सटीक ग्राउंड ट्रुथ प्रदान करने वाले एक ओपन-सोर्स मल्टी-टास्क बेंचमार्क डेटासेट, नैनोबेंच (NanoBench) का परिचय देता है।
यह शोध पत्र KDMR प्रस्तुत करता है, जो एक नवीन ढांचा है जो ह्यूमनॉइड मोशन रिटारगेटिंग को रिजिड-बॉडी डायनेमिक्स और ग्राउंड रिएक्शन फोर्सेज को समाहित करने वाले मल्टी-कॉन्टैक्ट होल-बॉडी ट्रैजेक्टरी ऑप्टिमाइज़ेशन समस्या के रूप में सूत्रबद्ध करता है ताकि भौतिक रूप से सुसंगत और गतिशील रूप से व्यवहार्य लोकोमोशन ट्रैजेक्टरीज उत्पन्न की जा सकें, जो मोशन क्वालिटी और डाउनस्ट्रीम कंट्रोल पॉलिसी प्रदर्शन दोनों में शुद्ध रूप से किनेमैटिक विधियों से काफी बेहतर प्रदर्शन करती हैं।
यह शोध पत्र एक नवीन कपल्ड ऑसिलेटर नेटवर्क (CON) मॉडल प्रस्तुत करता है जो लैग्रेंजियन संरचना, वैश्विक इनपुट-टू-स्टेट स्थिरता और एक व्युत्क्रमणीय इनपुट-फोर्स मैपिंग सुनिश्चित करके लेटेंट-स्पेस नियंत्रण में प्रमुख सीमाओं को दूर करता है, जिससे केवल कच्चे विजुअल फीडबैक का उपयोग करके जटिल यांत्रिक प्रणालियों के लिए कुशल क्लोज्ड-फॉर्म नियंत्रण रणनीतियों को सक्षम बनाया जा सके।
यह शोध पत्र एक लोकोमोटर टास्क सेट अनुकूलन रणनीति पेश करता है जो डीप लर्निंग मॉडल के प्रशिक्षण के लिए कार्यों के एक न्यूनतम, प्रतिनिधि उपसमुच्चय की पहचान करने के लिए क्लस्टर विश्लेषण का उपयोग करता है, जिससे एक्सोस्केलेटन नियंत्रण के लिए हिप जॉइंट मोमेंट्स (कूल्हे के जोड़ के आघूर्ण) का सटीक अनुमान लगाना सक्षम होता है और डेटा संग्रह की आवश्यकताओं को महत्वपूर्ण रूप से कम किया जा सकता है।
यह शोध पत्र ऊर्जा की खपत को कम करने के लिए लाइफलॉन्ग SLAM प्रणालियों में सेंसिंग, संचार और अन्वेषण गति के लिए एक संयुक्त अनुकूलन ढांचे का प्रस्ताव करता है, जिसे LiDAR-युक्त रोबोटों द्वारा डीप लर्निंग-आधारित क्लाउड पुनर्निर्माण केंद्र को डेटा ट्रांसमिट करने वाले सिमुलेशन और प्रयोगों के माध्यम से मान्य किया गया है।