4966 पेपर
VLA-JEPA एक नवीन प्रीट्रेनिंग फ्रेमवर्क है जो विजन-लैंग्वेज-एक्शन मॉडल्स को एक लीकेज-मुक्त लेटेंट स्टेट प्रेडिक्शन मैकेनिज्म के माध्यम से सुदृढ़ डायनेमिक्स एब्स्ट्रैक्शंस सीखने के लिए नियोजित करके उन्नत करता है, जिससे सिमुलेटेड और वास्तविक दुनिया के मैनिपुलेशन कार्यों में बेहतर सामान्यीकरण और मजबूती प्राप्त करने के लिए अपीयरेंस बायस और न्यूसेंस मोशन पर विजय प्राप्त होती है।
यह शोध पत्र लैंग्वेज-एक्शन प्री-ट्रेनिंग (LAP) को प्रस्तुत करता है, जो रोबोटिक क्रियाओं को प्राकृतिक भाषा में निरूपित करने की एक विधि है ताकि बिना किसी एम्बॉडिमेंट-विशिष्ट फाइन-ट्यूनिंग के विजन-लैंग्वेज-एक्शन मॉडल्स के लिए पहला महत्वपूर्ण ज़ीरो-शॉट क्रॉस-एम्बॉडिमेंट ट्रांसफर सक्षम किया जा सके।
यह शोध पत्र UAVGENT का प्रस्ताव करता है, जो एक तीन-स्तरीय ढांचा है जो प्राकृतिक भाषा के निर्देशों को एक LLM सुपरवाइजर द्वारा व्याख्यायित करने के लिए एक वितरित इनर-लूप कंट्रोलर के साथ एकीकृत करता है ताकि मल्टी-ड्रोन सिस्टम को औपचारिक मजबूती और स्थिरता गारंटी बनाए रखते हुए जटिल, विकसित होते मिशनों को निष्पादित करने में सक्षम बनाया जा सके।
HiST-VLA एक नवीन पदानुक्रमित स्पैटियो-टेम्पोरल विजन-लैंग्वेज-एक्शन मॉडल है जो ज्यामितीय जागरूकता, गतिशील टोकन स्पारसीफिकेशन और एक पदानुक्रमित ट्रांसफार्मर-आधारित प्लानर को एकीकृत करके स्वायत्त ड्राइविंग के लिए 3D स्थानिक जागरूकता और संख्यात्मक तर्क में सीमाओं को संबोधित करता है ताकि NAVSIM v2 बेंचमार्क पर अत्याधुनिक प्रदर्शन प्राप्त किया जा सके।
यह शोध पत्र FOREST को प्रस्तुत करता है, जो एक डिफ्यूजन-आधारित वर्ल्ड मॉडल है जो विरल स्नैपशॉट्स (sparse snapshots) और नियोजित स्टोव एक्शन (stow actions) से भविष्य के बिन कॉन्फ़िगरेशन की भविष्यवाणी करता है, जो ह्यूरिस्टिक्स (heuristics) की तुलना में बेहतर ज्यामितीय सटीकता प्रदर्शित करता है और डाउनस्ट्रीम वेयरहाउस प्लानिंग कार्यों के लिए मूल्यवान फॉरसाइट सिग्नल प्रदान करता है।
FlowHOI एक दो-चरणीय फ्लो-मैचिंग फ्रेमवर्क है जो ग्रैस्पिंग (पकड़ने) को मैनिपुलेशन (हेरफेर) से अलग करके, 3D गॉसियन स्प्लेटिंग दृश्य पुनर्निर्माणों का लाभ उठाकर, और एगोजेंटिक (स्व-केंद्रित) वीडियो से प्राप्त एक बड़े पैमाने के HOI प्रायर (prior) का उपयोग करके, डिफ्यूजन-आधारित बेसलाइन की तुलना में बेहतर सटीकता, भौतिक सिमुलेशन सफलता और अनुमान गति प्राप्त करते हुए, कुशल रोबोट मैनिपुलेशन के लिए अर्थपूर्ण रूप से सुदृढ़ और सामयिक रूप से सुसंगत हैंड-ऑब्जेक्ट इंटरेक्शन अनुक्रम उत्पन्न करता है।
यह शोध पत्र एक लर्निंग-आधारित ढांचे का प्रस्ताव करता है जो बाइनरी इंटरसेप्शन परिणामों से टर्न-रेट-लिमिटेड पर्स्यूटर मापदंडों को अनुमानित करने के लिए सैक्रिफिशियल एजेंटों और ग्रेडिएंट-आधारित अनुकूलन का उपयोग करता है, जिससे उच्च-मूल्य वाले एजेंटों के लिए सुरक्षित, समय-इष्टतम प्रक्षेपवक्रों का निर्माण सक्षम होता है।
AgentRob एक अभिनव ढांचा है जो ऑनलाइन कम्युनिटी फ़ोरम और भौतिक रोबोटों के बीच सेतु बनाने के लिए मॉडल कॉन्टेक्स्ट प्रोटोकॉल का लाभ उठाता है, जिससे LLM-संचालित एजेंट फ़ोरम पोस्ट से प्राकृतिक भाषा के आदेशों की व्याख्या करने और तीन-स्तरीय आर्किटेक्चर के माध्यम से मल्टी-रोबोट कार्यों को व्यवस्थित करने में सक्षम होते हैं।
यह शोध पत्र विज़न और टैक्टाइल सेंसिंग को प्रभावी ढंग से फ्यूज करने के लिए फिजिक्स-इन्फॉर्म्ड द्विपक्षीय बल नियमितीकरण (physics-informed bilateral force regularization) के साथ एक क्रॉस-मोडल ट्रांसफॉर्मर का प्रस्ताव करता है, जो रोबोटिक इंसर्शन कार्यों में 96.59% की सफलता दर प्राप्त करता है जो नैइव फ्यूजन विधियों से बेहतर है और प्रिविलेज्ड सेंसर प्रदर्शन के करीब है।
यह शोध पत्र एक नवीन 4D पुनर्निर्माण ढांचे का प्रस्ताव करता है जो मोनोकुलर आकस्मिक वीडियो के लिए एक मल्टी-स्केल डायनेमिक्स तंत्र का लाभ उठाता है ताकि जटिल मोशन फील्ड्स को फैक्टराइज़ किया जा सके और विजन फाउंडेशन मॉडल प्रायर को शामिल किया जा सके, जिससे सटीक और वैश्विक रूप से सुसंगत गतिशील दृश्य की रिकवरी प्राप्त की जा सके।