4249 पेपर
यह शोध पत्र NARRATE को प्रस्तुत करता है, जो एक मल्टीमॉडल वास्तविक दुनिया का ऑस्ट्रेलियाई ड्राइविंग डेटासेट है, जिसमें स्वचालित ड्राइविंग के लिए मानव-केंद्रित, डोमेन-जागरूक मॉडलों को उन्नत करने हेतु सिंक्रोनाइज़्ड सेंसर डेटा और ड्राइवर द्वारा दिए गए स्पष्टीकरणों के साथ एनोटेट की गई 2,050 घटनाएं शामिल हैं।
यह शोध पत्र एक ईल (eel) से प्रेरित सॉफ्ट रोबोट के डिज़ाइन और नियंत्रण को अनुकूलित करने के लिए हाइड्रोडायनामिक बलों के साथ युग्मित एक परिमित तत्व विधि (Finite Element Method) आधारित सिमुलेशन मॉडल प्रस्तुत करता है, जो यह प्रकट करता है कि तैराकी की गति को बनाए रखते हुए थोड़े विषम विन्यास (asymmetric configurations) संचालन क्षमता को बढ़ाते हैं।
यह शोध पत्र REACH प्रस्तुत करता है, जो एक वास्तविक समय का एल्गोरिदम है जो विभिन्न तैराकी गतियों और सेंसर विन्यासों में ईल-प्रेरित (eel-inspired) अंतर्जलीय रोबोटों में एक्चुएटर स्वास्थ्य और क्षरण का सटीक अनुमान लगाने के लिए एक सॉफ्ट रोबोट मॉडल, सिग्मा पॉइंट फिल्टर और सांख्यिकीय परिकल्पना परीक्षण का उपयोग करता है।
यह शोध पत्र ऑनलाइन 3D गॉसियन स्प्लेटिंग SLAM में ऑफलाइन ह्यूरिस्टिक्स की सीमाओं को संबोधित करते हुए तीन ज्यामिति-जागरूक (geometry-aware) विधियों—ट्रांसमिटेंस-प्रिजर्विंग डेंसिफिकेशन, कैमरा-अवेयर स्केल इनिशियलाइजेशन और एरर-गाइडेड डेंसिफिकेशन—का प्रस्ताव देता है, जो नगण्य कम्प्यूटेशनल ओवरहेड के साथ रेंडरिंग गुणवत्ता में महत्वपूर्ण सुधार करते हैं।
HP2-SLAM एक न्यूनतम, रियल-टाइम LiDAR SLAM फ्रेमवर्क है जो लर्निंग मॉड्यूल या व्यापक प्रशिक्षण पर निर्भर हुए बिना पॉइंट-टू-प्लेन और पॉइंट-टू-पॉइंट अवशेषों (residuals) को गतिशील रूप से संतुलित करने के लिए एक प्लानैरिटी-अवेयर एडेप्टिव हाइब्रिड ICP का उपयोग करके विविध वातावरणों में सुदृढ़ और सटीक स्थानीयकरण प्राप्त करता है।
यह शोध पत्र मैक्स-क्यू सिलेक्टिव इमिटेशन (Max-Q Selective Imitation) प्रस्तुत करता है, जो एक ह्यूमन-इन-द-लूप ऑनलाइन रीइन्फोर्समेंट लर्निंग विधि है जो मानव हस्तक्षेप को तेजी से एकीकृत करने और स्वायत्त आत्म-सुधार को त्वरित करने के लिए एमसी क्यू-चंक क्रिटिक्स (MC Q-chunk critics) को एक हार्ड विनर-टेक-ऑल एक्टर अपडेट के साथ जोड़ता है, जिससे मौजूदा बेसलाइन की तुलना में वास्तविक दुनिया और सिम्युलेटेड रोबोटिक कार्यों पर काफी तेज़ अभिसरण और उच्च सफलता दर प्राप्त होती है।
यह शोधपत्र StructRL प्रस्तुत करता है, जो फ्लो-आधारित विजन-लैंग्वेज-एक्शन मॉडल्स के लिए एक सुदृढीकरण शिक्षण (reinforcement learning) ढांचा है, जो एक नियतात्मक ODE डिकोडर और लास्ट-स्टेप रिप्ले के माध्यम से संरचित स्टोकास्टिसिटी (structured stochasticity) को सीधे एक्शन स्पेस में स्थानांतरित करके मौजूदा विधियों की "स्ट्रक्चर्ड नॉइज़ डाइल्यूशन" समस्या को दूर करता है, जिससे रोबोटिक हेरफेर कार्यों में अन्वेषण दक्षता (exploration efficiency) और आउट-ऑफ-डिस्ट्रीब्यूशन प्रदर्शन में महत्वपूर्ण सुधार होता है।
यह शोध पत्र PhaseLoRA का प्रस्ताव करता है, जो निरंतर-एक्शन विजन-लैंग्वेज-एक्शन पॉलिसियों के लिए एक पैरामीटर-कुशल फाइन-ट्यूनिंग विधि है, जो हेरफेर कार्यों (manipulation tasks) के विशिष्ट चरणों को बेहतर ढंग से संभालने के लिए फाइन-कंट्रोल प्रवृत्ति और इवेंट इंटेंसिटी पर लो-रैंक एडेप्टेशन को गतिशील रूप से कंडिशन करता है, जिससे स्टैटिक बेसलाइनों की तुलना में बेहतर प्रदर्शन प्राप्त होता है।
यह शोध पत्र FloodReasonBench प्रस्तुत करता है, जो एक विशेष बेंचमार्क और डेटासेट है जिसे संसाधन-बाधित एज (edge) पर संचालित एम्बोडीड बाढ़ प्रतिक्रिया प्रणालियों के लिए विजन-लैंग्वेज मॉडल रीजनिंग सेगमेंटेशन की सटीकता, विलंबता (latency), ऊर्जा दक्षता और संचार ट्रेड-ऑफ का मूल्यांकन करने के लिए डिज़ाइन किया गया है।
यह शोध पत्र GUIDER का मूल्यांकन प्रस्तुत करता है, जो टेलीऑपरेटेड रोबोटिक मैनिपुलेशन में मानव इरादे के अनुमान के लिए एक लक्ष्य-मुक्त संभाव्य ढांचा (goal-free probabilistic framework) है, जिसने वास्तविक-रोबोट डेटा का उपयोग करके विविध सहायता परिदृश्यों में उच्च भविष्यवाणी सटीकता, स्थिरता और वास्तविक समय प्रदर्शन का सफलतापूर्वक प्रदर्शन किया है।