864 articoli
Questo studio presenta un robot multi-piede dotato di antenne tattili biomimetiche a gradiente di rigidità che, convertendo la deformazione meccanica in feedback di collisione, permettono una navigazione autonoma e robusta in ambienti confinati e complessi senza l'uso di visione o informazioni globali.
Il paper presenta l'Inverse Resistive Force Theory (I-RFT), un framework di apprendimento automatico basato sulla fisica che integra la teoria della forza resistiva granulare con i processi gaussiani per stimare con precisione le proprietà dei terreni granulari dai dati di forza durante locomozioni arbitrarie, permettendo ai robot di ottimizzare attivamente il proprio design e le traiettorie di movimento per l'esplorazione autonoma.
Questo studio dimostra che un'unica funzione di costo variabile nel tempo, agnostica rispetto al soggetto e alla postura e stimata tramite l'algoritmo MO-IRL, è in grado di prevedere con alta accuratezza i movimenti di raggiungimento umani, supportando l'esistenza di un principio unificato di ottimalità.
Il paper presenta MWM, un modello del mondo mobile che migliora la coerenza delle previsioni condizionate all'azione e l'efficienza dell'inferenza tramite un framework di addestramento in due fasi e una distillazione consistente con l'inferenza, ottenendo risultati superiori nella navigazione basata su pianificazione.
Il paper presenta STEP, un metodo di apprendimento per rinforzo basato su Transformer e condizionato dalle preferenze che ottimizza il bin packing 3D online bilanciando l'efficienza spaziale e i tempi operativi, ottenendo una riduzione del 44% del tempo di esecuzione senza compromettere la densità di imballaggio.
Il paper propone un sistema unificato di pianificazione congiunta uomo-macchina che opera in due modalità complementari per mitigare l'incertezza e inferire l'intento umano, riducendo significativamente i costi di interazione e i tempi di esecuzione attraverso conversazioni attive guidate da LLM e una collaborazione coordinata in tempo reale basata su segnali spaziali.
Il paper presenta un nuovo framework che utilizza modelli linguistici per elicitare attivamente informazioni tramite domande binarie ottimali, permettendo ai droni di colmare le lacune conoscitive durante la pianificazione e riducendo così il bisogno di intervento umano in compiti complessi come la ricerca e il salvataggio.
Questo articolo presenta un framework di controllo unificato per la manipolazione aerea che combina un modello aerodinamico basato sulla fisica con un estimatore residuo guidato dall'apprendimento e una strategia di allocazione della velocità dei rotori, permettendo agli UAV di eseguire operazioni di contatto con le pareti in modo robusto anche in condizioni di vento complesse e in prossimità di ostacoli.
Questo articolo colma il divario tra la pianificazione basata sulla programmazione dinamica e l'apprendimento per rinforzo sviluppando una versione derandomizzata dell'RL, analizzando le condizioni di equivalenza tra minimizzazione dei costi e massimizzazione delle ricompense, e dimostrando l'importanza di ottimizzare il "vero costo" rispetto all'uso di parametri arbitrari.
Questo articolo presenta una pipeline end-to-end per la presa guidata dal linguaggio su robot mobili, che combina rilevamento open-vocabulary, completamento della nuvola di punti e criteri di sicurezza per superare le occlusioni, ottenendo un tasso di successo del 90% in ambienti disordinati rispetto al 30% di un metodo basato sulla vista dipendente.
Il paper propone un'interfaccia di osservazione task-aware che, segmentando gli oggetti rilevanti e rappresentandoli con colori semantici e dati di profondità, canonizza l'input visivo per migliorare la robustezza delle politiche visuomotorie ai cambiamenti di aspetto senza richiedere modifiche o riaddestramento del modello.
Questo articolo presenta un metodo basato sull'entropia di trasferimento per identificare le azioni robotiche influenti durante le interazioni uomo-robot, dimostrando la sua efficacia nell'analizzare l'impatto della prossimità sul comportamento umano per migliorare la progettazione e l'adattabilità dei sistemi robotici.
Il paper introduce RoboRouter, un framework senza addestramento che migliora le prestazioni della manipolazione robotica selezionando dinamicamente la politica migliore tra un pool eterogeneo basandosi sull'esperienza accumulata, ottenendo significativi aumenti nei tassi di successo sia in simulazione che nel mondo reale.
Il paper presenta NaviDriveVLM, un framework decoupled che separa il ragionamento di alto livello dalla pianificazione del movimento utilizzando un grande modello "Navigator" e un driver leggero, ottenendo prestazioni superiori rispetto ai modelli VLM esistenti nel benchmark nuScenes.
Il paper presenta DyQ-VLA, un framework di quantizzazione dinamica per modelli Vision-Language-Action che, sfruttando proxy cinematici in tempo reale per adattare dinamicamente la precisione dei bit, riduce l'ingombro di memoria del 69,1% mantenendo il 99,5% delle prestazioni originali e accelerando l'esecuzione sia in simulazione che nel mondo reale.
Il paper presenta un framework di autonomia puramente visiva per la navigazione broncoscopica robotizzata, basato su agenti gerarchici a lungo e breve termine e un critico di modello del mondo, che ha dimostrato la fattibilità preclinica raggiungendo con successo obiettivi anatomici in modelli fantasma, polmoni ex vivo e modelli viventi senza l'uso di tracciamento esterno.
Questo articolo presenta un framework di addestramento che combina una penalità densa per passi pericolosi e una mappatura dell'elevazione basata su LiDAR per permettere agli umanoidi di camminare in modo sicuro e omnidirezionale su scale e terreni complessi.
Questo lavoro propone un framework di ottimizzazione globale guidato da traiettorie, ispirato alla CMA-ES, per il modellamento strutturale-idrodinamico unificato di robot sottomarini sottodimensionati e soft, consentendo l'identificazione simultanea di parametri interni ed esterni con alta fedeltà e scalabilità su sistemi complessi come un robot polipo.
Il paper presenta RAPID, un nuovo framework di inferenza collaborativa edge-cloud progettato per i modelli VLA che, superando le limitazioni delle soluzioni esistenti legate al rumore visivo e alla ridondanza delle azioni, garantisce una continuità fisica del movimento con un'accelerazione fino a 1,73 volte e un overhead ridotto del 5-7%.
Il paper presenta VORL-EXPLORE, un approccio ibrido di apprendimento e pianificazione che migliora l'esplorazione multi-robot in ambienti dinamici accoppiando l'allocazione dei compiti con l'esecuzione locale tramite un segnale di fedeltà condiviso, riducendo così la contesa e adattandosi autonomamente agli ostacoli non stazionari.