864 articoli
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.
Il paper presenta TeamHOI, un framework che utilizza una politica decentralizzata basata su Transformer e una strategia di Adversarial Motion Prior mascherata per abilitare un singolo agente di controllo a gestire interazioni cooperative uomo-oggetto realistiche e scalabili con un numero variabile di agenti.
Questo lavoro introduce la "Drag-Aware Aerodynamic Manipulability" (DAAM), un framework geometrico che utilizza una metrica Riemanniana basata sui limiti di coppia e sulla resistenza aerodinamica per ottimizzare l'allocazione del controllo nei multirotor ridondanti, garantendo soluzioni ottimali lisce e invarianti rispetto alla scala pur caratterizzando le discontinuità globali imposte dai limiti fisici degli attuatori.
Questo lavoro presenta un modello interno ibrido a doppio orizzonte che, combinato con la piattaforma di validazione MATRIX, permette a un robot quadrupede di eseguire salti continui e stabili su terreni lunari simulati utilizzando esclusivamente sensori propriocettivi.
Il paper propone DiffRacing, un nuovo framework di apprendimento di policy differenziabile potenziato da campi vettoriali che integra perdite differenziabili e campi vettoriali per bilanciare l'evitamento degli ostacoli e la navigazione ad alta velocità nei corridori di droni, permettendo un trasferimento efficiente dalla simulazione alla realtà senza identificazione esplicita del sistema.
Il paper presenta AffordGrasp, un framework basato sulla diffusione che genera pose di presa umane fisicamente stabili e semanticamente fedeli, colmando il divario tra rappresentazioni 3D degli oggetti e istruzioni testuali attraverso un processo di condizionamento duale e un'annotazione automatizzata delle interazioni.
Questo articolo presenta un quadro sistematico per calcolare limiti di errore garantiti formalmente per il tracciamento di traiettorie di elicotteri autonomi, basandosi su insiemi invarianti positivamente robusti (RPI) e confrontando tre diverse architetture di controllo per valutarne il compromesso tra fedeltà dinamica e conservatorismo.
Il paper presenta "See & Switch", un framework interattivo per la programmazione robotica tramite dimostrazione che utilizza la visione artificiale per selezionare dinamicamente i rami di esecuzione e rilevare contesti anomali, permettendo un adattamento robusto a scenari reali complessi.
Il paper presenta MRDrive, un simulatore di guida a realtà mista open source che combina l'interazione fisica con un abitacolo reale e l'immersione in un ambiente virtuale per supportare la ricerca HCI sui sistemi di guida automatizzata.
Questo articolo propone un nuovo schema di controllo adattivo basato sulla visione per robot ridondanti, che combina un termine di controllo nello spazio del compito e uno interattivo nello spazio nullo per garantire una collaborazione uomo-robot sicura ed efficace in ambienti sconosciuti, come dimostrato da esperimenti con realtà aumentata e provata teoricamente la stabilità del sistema.
Il paper presenta DeReCo, un nuovo framework di apprendimento per rinforzo multi-agente che decoupla l'apprendimento della rappresentazione e del coordinamento per migliorare l'efficienza del campione e la generalizzazione nel trasporto cooperativo decentralizzato di robot su oggetti con forme e proprietà fisiche diverse.
Il paper presenta un framework integrato che combina teleoperazione potenziata da apprendimento per rinforzo e un'architettura VLA a miscela di esperti (MoDE-VLA) per abilitare la manipolazione destrezza bimanuale e in mano, superando le limitazioni attuali dei modelli VLA su compiti complessi e ricchi di contatto.
Il paper presenta SaiVLA-0, un'architettura Vision-Language-Action ispirata al cervello umano che separa le funzioni in tre moduli (Cerebro, Ponte e Cervelletto) per ottimizzare l'efficienza computazionale, la modularità e le prestazioni nel controllo robotico, dimostrando miglioramenti significativi nei tempi di addestramento e nei tassi di successo.
Il paper introduce TRIAGE, un framework che scompone l'incertezza in componenti aleatorie ed epistemiche per attivare risposte correttive specifiche nel controllo robotico e nella percezione adattiva, migliorando significativamente il successo dei compiti e l'efficienza computazionale rispetto ai metodi tradizionali che trattano l'incertezza in modo uniforme.
Il paper presenta UniGround, un metodo di grounding visivo 3D universale e senza addestramento che supera i limiti dei modelli pre-addestrati attraverso un ragionamento visivo e geometrico in due fasi, ottenendo risultati state-of-the-art su benchmark come ScanRefer ed EmbodiedScan e dimostrando una robusta generalizzazione in ambienti reali non controllati.
Questo studio dimostra che, nei giochi di mistero a più partecipanti con un robot come narratore, l'interazione tangibile non garantisce universalmente un'esperienza migliore, ma riduce l'immersione narrativa negli utenti con elevate attitudini negative verso i robot, i quali preferiscono invece un'interfaccia digitale come protezione sociale.
Questo articolo presenta un sistema di controllo adattivo per mani robotiche multifinger che, stimando le forze tramite sensori tattili, ridistribuisce i carichi per mantenere contatti stabili con oggetti di diversa massa o instabilità, ottenendo un'alta percentuale di successo in compiti di bilanciamento.
Il paper presenta Edged USLAM, un sistema ibrido visivo-inerziale che combina una front-end consapevole dei bordi e un modulo di profondità basato sull'apprendimento per migliorare la stabilità e la precisione del SLAM in condizioni di illuminazione estrema e movimento rapido, superando i limiti delle soluzioni puramente basate su eventi o di apprendimento profondo in scenari strutturati.
Il paper presenta Fusion-Poly, un nuovo framework per il tracciamento 3D multi-oggetto che supera i limiti delle attuali pipeline di sincronizzazione fissa integrando dati LiDAR e camera asincroni attraverso una fusione spaziotemporale, ottenendo così il nuovo stato dell'arte (76,5% AMOTA) sul dataset nuScenes.
Questo articolo presenta un quadro generale basato sui gruppi di Lie e sulla teoria delle aste di Cosserat per modellare robot soffici continui, offrendo un approccio unificato che risolve le limitazioni dei metodi attuali, elimina i vincoli dei quaternioni unitari e garantisce efficienza computazionale per la simulazione e il controllo di strutture complesse.