4964 पेपर
यह शोध पत्र इनवर्स रेजिस्टिव फोर्स थ्योरी (I-RFT) प्रस्तुत करता है, जो एक भौतिकी-सूचित मशीन लर्निंग फ्रेमवर्क है जो रोबोटों को मनमाने गेट ट्रैजेक्टरीज के तहत प्रोप्रियोसेप्टिव कॉन्टैक्ट फोर्सेज से ग्रेनुलर टेरेन गुणों का सटीक अनुमान लगाने में सक्षम बनाता है, जिससे डेटा-कुशल पर्यावरणीय लक्षण वर्णन और अनुकूलन योग्य लोकोमोशन रणनीतियों को सुगम बनाया जा सके।
यह शोध पत्र यह प्रदर्शित करता है कि मिनिमल ऑब्जर्वेशन इनवर्स रीइन्फोर्समेंट लर्निंग (MO-IRL) एल्गोरिदम के माध्यम से कुशलतापूर्वक अनुमानित एक एकल, विषय- और मुद्रा-अज्ञेय (subject- and posture-agnostic) समय-परिवर्ती लागत फलन (cost function), जोड़-त्वरण नियमन (joint-acceleration regulation) द्वारा प्रधानता प्राप्त करने वाले एक एकीकृत इष्टतमता सिद्धांत को प्रकट करके, मानव पहुँच आंदोलनों (human reaching movements) की सटीक भविष्यवाणी कर सकता है।
यह शोध पत्र एक द्वि-मोड (dual-mode) मानव-रोबोट संयुक्त नियोजन प्रणाली प्रस्तावित करता है जो कार्य-प्रासंगिक ज्ञान अंतराल और अंतर्निहित मानवीय इरादे को प्रभावी ढंग से कम करने के लिए एक LLM-सहायता प्राप्त सक्रिय उद्ለት (elicitation) तंत्र को वास्तविक समय के इरादे अनुमान के साथ जोड़ता है, जिससे ओपन-वर्ल्ड वातावरण में इंटरेक्शन लागत और निष्पादन समय में महत्वपूर्ण रूप से कमी आती है।
यह शोध पत्र MINT प्रस्तुत करता है, जो एक नवीन ढांचा (framework) है जो बड़े भाषा मॉडल (large language models) का उपयोग करके ऑपरेटरों से न्यूनतम, लक्षित जानकारी सक्रिय रूप से प्राप्त करता है ताकि पर्यावरणीय अनिश्चितताओं को दूर किया जा सके, जिससे मानव-एआई ड्रोन सहयोग को बढ़ाया जाता है, और इस प्रकार बार-बार मानवीय हस्तक्षेप की आवश्यकता को कम करते हुए कार्य सफलता दर में उल्लेखनीय सुधार किया जाता है।
यह शोधपत्र एक वि-अनिश्चितताकृत (derandomized) आरएल (RL) संस्करण विकसित करके डायनेमिक प्रोग्रामिंग-आधारित नियोजन और सुदृढीकरण शिक्षण (reinforcement learning) के बीच के अंतर को पाटता है, उनके भिन्न स्वरूपों (जैसे लागत न्यूनीकरण बनाम पुरस्कार अधिकतमकरण और लक्ष्य समाप्ति बनाम अनंत-क्षितिज छूट) के तहत किन शर्तों के अंतर्गत वे समान होते हैं इसका गणितीय विश्लेषण करता है, और किसी भी मनमाने मापदंडों के बजाय वास्तविक लागत के अनुकूलन का समर्थन करता है।
यह शोध पत्र मोबाइल लेग्ड मैनिपुलेटर्स के लिए एक एंड-टू-एंड, व्यूपॉइंट-अज्ञेय (viewpoint-agnostic) ग्रैस्पिंग पाइपलाइन प्रस्तुत करता है जो क्लटर्ड वातावरण में रोबस्ट, भाषा-निर्देशित ऑब्जेक्ट चयन और सुरक्षित निष्पादन प्राप्त करने के लिए विजन-लैंग्वेज मॉडल्स और आंशिक अवलोकन क्षतिपूर्ति (partial observation compensation) का लाभ उठाता है, जो 90% सफलता दर के साथ व्यू-डिपेंडेंट बेसलाइन्स से बेहतर प्रदर्शन करता है।
DyQ-VLA एम्बोडीड विजन-लैंग्वेज-एक्शन मॉडल्स के लिए एक डायनेमिक क्वांटाइजेशन फ्रेमवर्क है जो वास्तविक समय के किनेमैटिक प्रॉक्सी का लाभ उठाकर बिट-विड्थ को अनुकूल रूप से स्विच और आवंटित करता है, जिससे मूल प्रदर्शन को बनाए रखते हुए मेमोरी फुटप्रिंट को काफी कम किया जाता है और इन्फरेंस स्पीड में सुधार होता है।
यह शोध पत्र एक प्रक्षेपवक्र-संचालित (trajectory-driven) वैश्विक अनुकूलन ढांचे का प्रस्ताव करता है, जो CMA-ES से प्रेरित है, जो आंतरिक और बाहरी युग्मित मापदंडों की एक साथ पहचान करके, विविध तंत्रों में बिना किसी मैनुअल रिट्यूनिंग के सटीक रियल-टू-सिम निरंतरता प्राप्त करते हुए, पानी के नीचे के अंडरएक्टुएटेड (underactuated) और सॉफ्ट रोबोटिक सिस्टम के एकीकृत, उच्च-निष्ठा वाले संरचनात्मक-हाइड्रोडायनामिक मॉडलिंग को सक्षम बनाता है।
यह शोध पत्र RAPID को प्रस्तुत करता है, जो एक नवीन एज-क्लाउड कोलाबोरेटिव इन्फरेंस फ्रेमवर्क है जिसे विजुअल नॉइज़ इंटरफेरेंस और स्टेप-वाइज टास्क रेडंडेंसी को संबोधित करके विजन लैंग्वेज एक्शन मॉडल्स के परिनियोजन को अनुकूलित करने के लिए डिज़ाइन किया गया है, जिससे न्यूनतम ओवरहेड के साथ 1.73x तक की गति वृद्धि प्राप्त होती है।
AffordGrasp एक डिफ्यूजन-आधारित फ्रेमवर्क है जो 3D ऑब्जेक्ट ज्योमेट्री और टेक्स्टुअल इंटरैक्शन इंस्ट्रक्शंस के बीच मोडैलिटी गैप को पाटने के लिए अफोर्डेंस-अवेयर लेटेंट रिप्रेजेंटेशन्स को ड्यूल-कंडीशनिंग प्रोसेस के साथ एकीकृत करके भौतिक रूप से स्थिर और सिमेंटिक रूप से सटीक ह्यूमन ग्रास्प्स जेनरेट करता है।