864 articoli
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.
Il paper presenta ACCURATE, un framework di ricostruzione 3D che combina una rete neurale di segmentazione con un algoritmo di ottimizzazione geometrica per ricostruire con alta precisione corpi continui deformabili di forma arbitraria, come cateteri e guidewire, garantendo coerenza biplanare e robustezza alle occlusioni.
Il paper presenta ReconDrive, un framework feed-forward che estende il modello fondazionale VGGT per generare rapidamente rappresentazioni 4D Gaussian Splatting ad alta fedeltà di scene di guida autonome, superando i limiti di scalabilità dei metodi iterativi e la qualità ridotta degli approcci feed-forward esistenti.
Il paper presenta un approccio di apprendimento per imitazione approssimato che permette a un quadrotore di volare ad alta velocità in ambienti affollati utilizzando esclusivamente una camera a eventi, superando i limiti computazionali della simulazione dei dati tramite un addestramento ibrido offline-online.
Il paper presenta FeasibleCap, un sistema di raccolta dimostrazioni "gripper-in-hand" che fornisce in tempo reale feedback visivo ed aptico per guidare gli operatori verso traiettorie eseguibili su robot target specifici, migliorando così il successo di riproduzione senza richiedere modelli appresi, dispositivi indossabili o hardware robotico durante la fase di acquisizione.
Il paper propone tre algoritmi di dead reckoning per cani (DDR) basati su sensori inerziali e metodi neurali, che, validati su dataset reali e robotici tramite il dispositivo DogMotion, dimostrano un errore di distanza inferiore al 10% rispetto agli approcci puramente modellistici, offrendo una soluzione di posizionamento leggera ed economica sia per cani biologici che robotici.
Il paper presenta SMAT, un metodo di training multi-agente a stadi che simula l'adattamento umano per sviluppare un controller per esoscheletri dell'anca capace di ridurre l'attivazione muscolare e fornire assistenza meccanica positiva in modo coerente su diversi soggetti senza necessità di riaddestramento specifico.
Il paper presenta GeoLoco, un framework di locomozione per umanoidi che utilizza esclusivamente immagini RGB e i priors geometrici di un modello visivo fondazionale per ottenere un trasferimento zero-shot robusto dal simulatore alla realtà, superando le limitazioni dei sensori di profondità attivi e dell'apprendimento per rinforzo end-to-end diretto.
Questo articolo presenta un quadro di apprendimento per rinforzo per il controllo degli esoscheletri che riduce i momenti articolari biologici e una pipeline di convalida quantitativa che dimostra un'elevata coerenza tra le simulazioni e i dati reali a livello di coppia, pur evidenziando le sfide rimanenti nel trasferimento sim-to-real.
Il paper presenta PanoDP, un framework di apprendimento senza comunicazione che combina la percezione di profondità panoramica a quattro viste con segnali di fisica differenziabile per ottimizzare la navigazione autonoma collision-free in ambienti affollati e parzialmente osservabili, dimostrando prestazioni superiori rispetto alle baseline esistenti.
Il paper presenta TempoFit, un metodo di retrofit temporale senza addestramento che migliora le politiche Vision-Language-Action pre-addestrate per compiti di manipolazione a lungo raggio memorizzando e recuperando selettivamente le chiavi e i valori di attenzione a livello di strato, ottenendo così una maggiore robustezza senza aumentare la latenza o richiedere nuovi moduli.
Il paper presenta AtomicVLA, un framework unificato di pianificazione ed esecuzione che supera i limiti dei modelli VLA esistenti per compiti robotici a lungo raggio e apprendimento continuo, grazie a una libreria di abilità atomiche scalabile gestita da un mix di esperti guidato dalle competenze (SG-MoE) e a un codificatore di routing flessibile.
Il paper propone un framework di pianificazione di percorsi informativi per esplorazione multi-robot off-world basato su mappatura di credenza Gaussiana e copertura a doppio dominio, che supera le limitazioni delle aree di interesse predefinite e dei rischi ambientali garantendo una scoperta efficiente di prove sparse in ambienti lunari simulati.
Il paper presenta DAISS, un sistema robotico bimanuale che utilizza un apprendimento per imitazione consapevole delle fasi per automatizzare le procedure di intervento guidate da ultrasuoni, permettendo ai robot di apprendere strategie esperte da dimostrazioni limitate e di eseguire movimenti coordinati e precisi in tempo reale.
Il paper presenta un framework open-source a basso costo per la teleoperazione di manipolatori mobili bimanuali, che utilizza hardware commerciale come smartphone e pedali per sostituire le costose attrezzature specializzate, garantendo un controllo intuitivo del corpo intero e riducendo il carico cognitivo rispetto ai metodi tradizionali.
Il paper presenta UniUncer, un framework unificato e leggero che stima e integra congiuntamente l'incertezza statica e dinamica all'interno di sistemi di guida end-to-end, migliorando significativamente l'affidabilità e le prestazioni di pianificazione su scenari complessi.
Il paper presenta RoboPCA, un framework di apprendimento delle affordance centrato sulla posa che, sfruttando la pipeline Human2Afford per generare annotazioni da dimostrazioni umane, predice congiuntamente regioni di contatto e pose per la manipolazione robotica, superando le limitazioni dei metodi esistenti e dimostrando elevate prestazioni su dati reali e simulati.
Il documento presenta C-Explorer, un framework decentralizzato per l'esplorazione multi-UAV che supera i limiti delle comunicazioni limitate e delle strategie di allocazione a breve termine, migliorando significativamente l'efficienza attraverso una rappresentazione dei task basata sulla connettività e un'allocazione guidata dalla contiguità spaziale.
Il paper presenta AeroPlace-Flow, un framework senza addestramento che consente ai manipolatori aerei di posizionare oggetti in modo preciso basandosi su istruzioni linguistiche, unendo la previsione visiva, il ragionamento geometrico 3D e il flusso degli oggetti per generare traiettorie di movimento collision-free senza richiedere coordinate target predefinite.
Il paper propone un nuovo quadro concettuale per l'interazione umano-robot che, superando il modello di supervisione basato sull'efficienza, definisce l'IA come un'infrastruttura di "impalcatura" (scaffolding) che permette agli esseri umani di agire come registi creativi, guidando intenzionalmente il comportamento robotico nel tempo.