864 articoli
Il paper presenta 3PoinTr, un metodo che utilizza trasformatori per pre-addestrare politiche robotiche su video umani casuali prevedendo tracce di punti 3D come rappresentazione intermedia, consentendo un apprendimento efficiente e robusto con un numero ridotto di dimostrazioni robotiche.
Il paper presenta ProReFF, un modello che apprende implicitamente le distribuzioni probabilistiche delle co-occorrenze di oggetti da dati non etichettati per guidare un agente robotico nella ricerca di oggetti in ambienti sconosciuti, raggiungendo un'efficienza superiore ai metodi basati su feature e fino all'80% delle prestazioni umane.
Il paper presenta l'Interactive World Simulator, un framework basato su modelli di consistenza che genera simulazioni interattive veloci e fisicamente coerenti, permettendo l'addestramento e la valutazione di politiche robotiche scalabili con prestazioni nel mondo reale comparabili a quelle ottenute con dati reali.
Questo articolo propone l'algoritmo OA-Bug, che sfrutta segnali olfattivi e acustici per migliorare l'esplorazione cooperativa di robot sciame in ambienti negati privi di GNSS e mappatura, dimostrando attraverso simulazioni ed esperimenti reali una copertura del 96,93% significativamente superiore rispetto ad algoritmi esistenti.
Il paper presenta RAG-Driver, un modello linguistico multimodale potenziato dal retrieval che utilizza l'apprendimento in contesto per fornire spiegazioni guidabili, previsioni di controllo e una generalizzazione zero-shot eccezionale in ambienti non visti, superando le limitazioni di dati e costi di addestramento tipiche dei sistemi di guida autonoma.
Il paper introduce FALCON, un approccio di preaddestramento auto-supervisionato unificato per il riconoscimento delle azioni dei droni che, integrando la mascheratura orientata agli oggetti e la ricostruzione futura a doppio orizzonte, risolve lo squilibrio spaziale tipico dei video aerei migliorando significativamente l'accuratezza e riducendo i tempi di inferenza rispetto ai metodi supervisionati.
Questo lavoro presenta un innovativo framework di programmazione non lineare che integra in modo efficiente la decisione gerarchica con la pianificazione e il controllo cinematico inverso, sfruttando la struttura gerarchica sparsa e la norma per risolvere complessi problemi di selezione discreta senza ricorrere a costosi approcci misti-integer.
Questo articolo introduce il controllo predittivo generativo, un framework di apprendimento supervisionato che combina il controllo predittivo basato su campionamento e la modellazione generativa per addestrare politiche di flusso di matching su compiti dinamici difficili da dimostrare, permettendo l'uso di dati simulati e garantendo feedback ad alta frequenza.
Il paper introduce CAPS, un metodo innovativo che utilizza VQ-VAE per raggruppare i dati in cluster e applicare un campionamento prioritario contestuale, migliorando significativamente l'efficienza dei dati, la generalizzazione e le prestazioni di guida autonoma in scenari complessi.
Il paper dimostra l'efficacia sorprendente di un approccio semplice basato sull'algoritmo iLQR con dinamica MuJoCo per il controllo predittivo del modello (MPC) a corpo intero di robot quadrupedi e umanoidi, che riesce a generalizzare facilmente dal simulatore alla realtà senza complesse considerazioni sim-to-real.
Il paper propone un metodo di odometria Lidar online basato su grafi che utilizza una registrazione multipla contro sottomappe sovrapposte e un raffinamento retrospettivo delle mappe per migliorare la precisione e la coerenza a lungo termine, mantenendo al contempo prestazioni in tempo reale.
Il paper presenta FindAnything, un framework di mappatura open-vocabulary che integra informazioni visive e linguistiche in sottomappe volumetriche centrate sugli oggetti, consentendo una comprensione semantica efficiente e scalabile in tempo reale anche su dispositivi con risorse limitate come i MAV.
Questo articolo presenta un metodo consapevole della robustezza che integra la selezione degli strumenti e la pianificazione della manipolazione, utilizzando una metrica basata sull'energia per generare traiettorie resilienti alle perturbazioni in compiti di manipolazione complessi.
Questo articolo propone una metodologia strutturata basata sul metamodello MeROS e sul modello a V per integrare l'ingegneria dei sistemi basata su modelli (MBSE) con il Robot Operating System (ROS), al fine di migliorare la tracciabilità e la coordinazione affidabile di sistemi robotici eterogenei complessi.
Questo lavoro propone un nuovo framework studente-insegnante basato sull'apprendimento per rinforzo multi-agente che genera automaticamente un curriculum di comportamenti di traffico diversificati e adattivi, permettendo a un agente di guida autonoma di superare le limitazioni degli scenari basati su regole e di acquisire una guida più robusta, assertiva e bilanciata.
Questo articolo presenta un framework interattivo senza codice per la generazione di scenari di guida autonoma in CARLA, che utilizza un'interfaccia grafica e una rappresentazione basata su grafi per democratizzare l'accesso alla validazione simulata, consentendo sia la creazione manuale che quella automatizzata di scenari complessi senza richiedere competenze di programmazione.
VEGA è un sistema di navigazione per veicoli elettrici che combina un operatore neurale informato dalla fisica per la stima dei parametri del veicolo e un agente di apprendimento per rinforzo basato su PPO per pianificare percorsi e fermate di ricarica, dimostrando un'efficienza superiore e una rapida generalizzazione su reti stradali globali.
Questo articolo presenta un framework multimodale che integra la comprensione del linguaggio naturale con il ragionamento spaziale per migliorare l'accuratezza della previsione degli obiettivi degli aeromobili nello spazio aereo senza torre di controllo, riducendo significativamente l'errore di previsione rispetto ai metodi basati esclusivamente sulla storia del movimento.
Il paper presenta GLIDE, un framework cooperativo di ricerca e soccorso che coordina due droni (uno per la rilevazione delle vittime e uno per la ricognizione del terreno) con un veicolo terrestre per ottimizzare la pianificazione del percorso e la sicurezza in ambienti sconosciuti.
Questo lavoro propone un approccio basato sulla visione per l'esplorazione semantica di oggetti da parte di robot a zampe, che utilizza un'arbitratura delle evidenze semantiche calibrata sulla confidenza, una memoria topologica a crescita controllata e una selezione di sottobiettivi guidata dall'utilità semantica per prendere decisioni di esplorazione stabili ed eseguibili senza dipendere da ricostruzioni geometriche dense.