694 articoli
Questo tutorial presenta un'introduzione orientata al controllo ai sistemi di navigazione inerziale assistita, utilizzando una formulazione geometrica basata sul gruppo esteso SE₂(3) per chiarire il ruolo dell'invarianza e della simmetria nella fusione dei dati e discutere metodi moderni come i filtri equivarianti.
Il paper presenta RoTri-Diff, un modello di apprendimento per imitazione basato sulla diffusione che, codificando le relazioni geometriche triadiche tra robot e oggetto, supera le limitazioni degli approcci esistenti per generare traiettorie bimanuali stabili e coordinate, ottenendo prestazioni superiori sia in simulazione che nel mondo reale.
Questo lavoro propone un framework di controllo ottimo completamente autonomo e guidato dalla visione, basato su un campo di distanza firmato neurale (Gate-SDF) e su un controller MPPI, che permette ai droni da corsa di navigare ad alta velocità attraverso cancelli arbitrari e non modellati senza dipendere da traiettorie precalcolate o stime precise della posa.
Questo lavoro propone un modello del mondo latente consapevole della cinematica, basato sull'RSSM, che integra informazioni cinematiche e supervisione geometrica per migliorare l'efficienza dei dati e la stabilità dell'ottimizzazione della politica nell'addestramento della guida autonoma.
Il documento presenta un gripper ibrido morbido-rigido con tasche in silicone gonfiabili che modula attivamente l'attrito superficiale variando la pressione interna, permettendo di afferrare con sicurezza oggetti fragili, scivolosi o pesanti senza aumentare la forza di presa.
Il paper presenta Faster-HEAL, un framework collaborativo leggero e rispettoso della privacy che risolve il problema dell'eterogeneità dei veicoli autonomi allineando le caratteristiche tramite prompt visivi a basso rango e fusione piramidale, ottenendo prestazioni superiori con un costo computazionale ridotto.
Questo articolo presenta un framework leggero basato su gemello digitale per il tracciamento dei veicoli e la previsione delle collisioni, progettato per l'implementazione su dispositivi edge che utilizza solo il rilevamento degli oggetti e mappe di percorso offline per raggiungere un'accuratezza dell'88% con un basso costo computazionale.
Il paper propone DistGP, un metodo di apprendimento multi-robot distribuito basato su un processo gaussiano sparso che, grazie alla propagazione delle credenze gaussiane, permette un addestramento asincrono e online con prestazioni superiori rispetto alle GP ad albero e ai ottimizzatori di reti neurali distribuite, pur raggiungendo la stessa accuratezza di un modello centralizzato.
Questo articolo propone una prospettiva sulla "intelligenza incarnata" sottomarina che affronta l'autonomia dei robot attraverso un approccio basato sull'accoppiamento dei vincoli, integrando pianificazione, controllo e deployment per gestire le interdipendenze tra incertezza idrodinamica, osservabilità parziale e scarsità di risorse.
Il documento presenta un framework di controllo predittivo basato su modelli misti-integer che pianifica in tempo reale il posizionamento e la durata dei passi per robot umanoidi, garantendo stabilità e sicurezza su terreni discontinui e ostacolati attraverso l'integrazione di dati sensoriali e vincoli di catturabilità.
Il paper presenta LoRA-SP, un metodo di fine-tuning adattivo che sostituisce i rank fissi con capacità variabili per migliorare l'efficienza e la generalizzazione dei modelli Vision-Language-Action nel trasferimento robotico su nuovi ambienti e compiti.
Questo studio unifica i principi di locomozione ondulata e rotolante per definire un quadro di auto-raddrizzamento basato sulle onde, rivelando attraverso indagini biomeccaniche e robofisiche come la lunghezza delle zampe influenzi criticamente le strategie di controllo e imponga limiti morfologici alla capacità di auto-raddrizzamento nei robot centopiedi.
Questo articolo presenta un nuovo metodo di propriocezione per robot continui a cavo in scala microscopica, che integra sensori di forza prossimali e un modello ispirato alla biologia per superare le limitazioni nella percezione tridimensionale delle forze di contatto e nella stima della forma, abilitando così applicazioni cliniche più sicure e sofisticate.
Il paper presenta LITHE, un'architettura software leggera per Linux che permette a un "cervello" Python di modificare dinamicamente e in tempo reale la logica di controllo di un "colonna vertebrale" C++ su hardware commerciale, colmando il divario tra intelligenza artificiale di alto livello e controllo robotico deterministico.
Il paper presenta SLNet, una rete di riconoscimento per nuvole di punti 3D estremamente leggera e adattiva geometricamente che, grazie a componenti innovativi come NAPE e GMU, raggiunge prestazioni competitive su diversi benchmark con un numero di parametri e un costo computazionale drasticamente inferiori rispetto agli stati dell'arte.
Il paper propone GSAT, un metodo di apprendimento auto-supervisionato che utilizza l'analisi delle anomalie nello spazio latente per stimare la percorribilità del terreno in modo affidabile senza necessità di supervisione umana o prototipi aggiuntivi, permettendo ai robot di imparare dalle proprie esperienze in ambienti diversi.
Il paper presenta HSC-VLA, un framework gerarchico che separa il ragionamento visivo-semantico dall'esecuzione motoria tramite un'astrazione di "pulizia della scena", permettendo a un robot bimanuale di superare significativamente le prestazioni dei modelli monolitici nella manipolazione in ambienti densamente affollati.
Il documento propone un osservatore innovativo basato sull'inversione dinamica che, combinando un modello lineare monorotaia con una rappresentazione distribuita degli pneumatici tramite equazioni alle derivate parziali iperboliche, ricostruisce con precisione l'angolo di sbandata e le forze degli pneumatici utilizzando solo misure di velocità di imbardata e accelerazione laterale, anche in presenza di rumore e incertezze del modello.
Il paper presenta InterReal, un framework unificato di apprendimento per imitazione basato sulla fisica che permette ai robot umanoidi di apprendere e eseguire in modo robusto complesse interazioni uomo-oggetto nel mondo reale, superando i limiti delle soluzioni esistenti grazie a tecniche di augmentazione dei dati e un apprenditore automatico delle ricompense.
Il paper presenta ICLR, un nuovo framework di apprendimento per imitazione in contesto che migliora l'adattabilità dei robot a compiti complessi integrando tracce di ragionamento visivo strutturato per anticipare le traiettorie future all'interno di un modello transformer autoregressivo unificato.