4966 पेपर
यह शोध पत्र ज्योमेट्रिक मॉडल प्रेडिक्टिव पाथ इंटीग्रल (GMPPI) प्रस्तुत करता है, जो एक नवीन सैंपलिंग-आधारित नियंत्रक है जो ज्योमेट्रिक SE(3) नियंत्रण और डेप्थ-इमेज-आधारित टकराव निवारण को एकीकृत करता है ताकि फुर्तीले UAVs को उच्च गति पर बाधाओं के बीच सुरक्षित रूप से नेविगेट करते हुए सटीक प्रक्षेप पथों को ट्रैक करने में सक्षम बनाया जा सके।
यह शोध पत्र मल्टीस्टेप क्वासीमेट्रिक लर्निंग (Multistep Quasimetric Learning) को प्रस्तुत करता है, जो एक एंड-टू-एंड ऑफलाइन गोल-कंडीशन्ड रिइन्फोर्समेंट लर्निंग विधि है जो टेम्पोरल दूरियों का अनुमान लगाने के लिए मल्टीस्टेप मोंटे कार्लो रिटर्न्स को एकीकृत करती है, जिससे अनलेबल विजुअल डेटासेट्स पर बेहतर लॉन्ग-होरिजन प्रदर्शन और वास्तविक दुनिया की रोबोटिक स्टिचिंग क्षमताएं प्राप्त होती हैं।
यह शोध पत्र इस प्रचलित विश्वास को चुनौती देता है कि जनरेटिव रोबोटिक कंट्रोल पॉलिसीज़ जटिल मल्टी-मोडल डिस्ट्रीब्यूशन को मॉडल करने की अपनी क्षमता के कारण सफल होती हैं, और इसके बजाय यह प्रदर्शित करता है कि उनके प्रदर्शन में वृद्धि मुख्य रूप से सुपरवाइज्ड इंटरमीडिएट स्टेप्स और उपयुक्त स्टोकेस्टिसिटी के साथ युग्मित इटरेटिव कम्प्यूटेशन से आती है।
यह शोध पत्र एक अनुकूलनशील निगरानी ढांचे (adaptive monitoring framework) का प्रस्ताव करता है जो स्टोकेस्टिक वाइल्डफायर फ्रंट्स के लिए एक इष्टतम पुनरावर्ती बेयस अनुमानक (optimal recursive Bayesian estimator) व्युत्पन्न करके और डैमेज-फ्री एसिम्प्टोटिक कन्वर्जेंस गारंटी के साथ एक सूचना-खोजने वाले प्रेडिक्टिव कंट्रोल लॉ को डिजाइन करके सेंसिंग, एस्टिमेशन और कंट्रोल को एकीकृत करता है, जिससे मौजूदा लीनियर-गौसियन धारणाओं और ह्यूरिस्टिक दृष्टिकोणों की सीमाओं को दूर किया जा सके।
यह शोध पत्र एक हाइब्रिड फ्रेमवर्क का प्रस्ताव करता है जो मजबूत ज़ीरो-शॉट ह्यूमनॉइड लोकोमोशन के लिए बड़े पैमाने पर, उच्च-UTD सॉफ्ट एक्टर-क्रिटिक प्रीट्रेनिंग का लाभ उठाता है और इसे एक सुरक्षित, मॉडल-आधारित फाइनट्यूनिंग रणनीति के साथ जोड़ता है जो स्टोकेस्टिक एक्सप्लोरेशन को एक भौतिकी-सूचित वर्ल्ड मॉडल तक सीमित करती है, जिससे बड़े पैमाने के सिमुलेशन और कुशल वास्तविक-दुनिया के अनुकूलन के बीच के अंतर को प्रभावी ढंग से पाटा जा सके।
SAGE एक एजेंटिक फ्रेमवर्क है जो पुनरावृत्ति तर्क (iterative reasoning) और मल्टी-क्रिटिक मूल्यांकन के माध्यम से विशिष्ट एम्बोडीड कार्यों (embodied tasks) के लिए अनुकूलित, स्केलेबल, यथार्थवादी और भौतिक रूप से वैध 3D वातावरण को स्वचालित रूप से उत्पन्न करता है, जिससे अनदेखे परिदृश्यों में प्रभावी ढंग से सामान्यीकरण करने वाली नीतियों को प्रशिक्षित करना सक्षम होता है।
यह शोध पत्र इस बात की जांच करता है कि कैसे मानवीय सुधारों का समय कार्य-प्रासंगिक कारकों का अनुमान लगाने के लिए एक मूल्यवान संकेत के रूप में कार्य करता है, जो यह प्रदर्शित करता है कि इस टेम्पोरल (सामयिक) जानकारी का लाभ उठाना हस्तक्षेप को प्रेरित करने वाली गति संबंधी विशेषताओं की पहचान करने में सुधार करता है और मानवीय सुधार लक्ष्यों के निष्कर्ष को त्वरित करता है।
यह अध्ययन एक पदानुक्रमित मॉड्यूलर मल्टी-एजेंट सुदृढीकरण लर्निंग (HM-MARL) ढांचे को प्रस्तुत करता है जो मैकेनिकल थ्रोम्बेक्टोमी के लिए गाइड कैथेटर और गाइडवेज़ के पहले इन विट्रो स्वायत्त नेविगेशन को सफलतापूर्वक प्रदर्शित करता है, जो विविध शारीरिक संरचनाओं में उच्च सफलता दर प्राप्त करने के साथ-साथ सिमुलेशन-टू-रियल-वर्ल्ड सामान्यीकरण की चुनौतियों को भी रेखांकित करता है।
यह शोध पत्र हवाई निरंतर मैनिपुलेटर्स (aerial continuum manipulators) के लिए डिकपल्ड (decoupled) और कपल्ड (coupled) गतिशील मॉडलों की व्यवस्थित रूप से तुलना करता है, यह प्रदर्शित करते हुए कि जबकि डिकपल्ड मॉडल महत्वपूर्ण ओपन-लूप विसंगतियां प्रदर्शित करता है, एक नवीन डायनेमिक्स-आधारित विजुअल सर्विंग कंट्रोलर में उपयोग किए जाने पर यह कम कम्प्यूटेशनल लागत के साथ कपल्ड मॉडल के तुलनीय क्लोज्ड-लूप ट्रैकिंग सटीकता प्राप्त करता है।
यह शोध पत्र TART को प्रस्तुत करता है, जो एक टेम्पोरल एक्शन रिप्रेजेंटेशन लर्निंग फ्रेमवर्क है जो कंट्रास्टिव लर्निंग और क्वांटाइज्ड डिस्क्रीट कोडबुक्स का उपयोग करता है ताकि संसाधन उपयोग और मैन्युवर्स के बीच कारण संबंधी निर्भरताओं (causal dependencies) को प्रभावी ढंग से कैप्चर किया जा सके, जिससे स्वायत्त एजेंटों को संसाधन-बाधित वातावरण में मल्टी-मोडल, कॉन्टेक्स्ट-अवेयर व्यवहार उत्पन्न करने में सक्षम बनाया जा सके।