864 articoli
Il paper presenta RODEO, un framework basato su blockchain che integra meccanismi di fiducia e responsabilità per i robot di servizio, permettendo loro di eseguire compiti autonomi verificabili, ricevere compensi in token e reinvestire tali fondi per servizi essenziali come la ricarica delle batterie.
Questo lavoro presenta una pipeline innovativa che trasforma log sensoriali omnidirezionali RGB-LiDAR esistenti, spesso sottoutilizzati, in asset di inizializzazione robusti per il 3D Gaussian Splatting, superando le distorsioni e l'overhead computazionale per generare gemelli digitali di alta qualità.
Il paper propone Uni-Walker, un framework di apprendimento incarnato a vita che risolve il problema della rimozione catastrofica nei agenti di navigazione potenziati da LLM, decoulando le conoscenze in componenti condivise e specifiche tramite DE-LoRA e strategie di eredità e ortogonalità per adattarsi a compiti e stili di istruzioni diversi mantenendo le competenze apprese in precedenza.
Questo lavoro propone un metodo per generare alberi comportamentali per la pianificazione di compiti robotici utilizzando un modello visione-linguaggio (VLM) compatto e open-source, che viene addestrato su un nuovo dataset derivato da episodi robotici esistenti e dimostra prestazioni competitive con modelli chiusi su larga scala pur richiedendo risorse computazionali significativamente inferiori.
Il paper propone "Sticky-Glance", un framework robusto per il riconoscimento delle intenzioni basato sullo sguardo che, tramite un algoritmo di "sguardo adesivo" e un controllo condiviso continuo, permette alle persone con limitate capacità motorie di interagire efficacemente con robot in ambienti dinamici, riducendo il carico di lavoro e il tempo di esecuzione dei compiti.
Questo rapporto presenta un quadro strutturato per la sicurezza fisica dei robot che integra l'ingegneria della sicurezza classica con l'apprendimento automatico, allineando la dichiarazione degli asset, l'enumerazione delle vulnerabilità e la generazione di dati sintetici basati sui pericoli per l'addestramento di modelli di sicurezza.
Questo articolo presenta una strategia di controllo condiviso per la riabilitazione robotica che, integrando un meccanismo di attivazione basato su eventi e un algoritmo di apprendimento per rinforzo a doppio agente (DAMMRL), ottimizza la co-adattazione uomo-robot in spazi di compito disaccoppiati, migliorando precisione ed efficienza nei compiti di raggiungimento.
Il paper presenta DreamToNav, un innovativo framework di navigazione robotica che utilizza modelli generativi video per tradurre prompt linguistici naturali in traiettorie eseguibili, permettendo a robot di diverse locomozioni di pianificare e realizzare compiti complessi con un'accuratezza significativa senza necessità di ingegnerizzazione specifica per ogni attività.
Il paper presenta KISS-IMU, un nuovo framework di odometria inerziale auto-supervisionato che elimina la dipendenza dai dati di verità fondamentale sfruttando la registrazione ICP basata su LiDAR e l'ottimizzazione del grafo delle pose, garantendo robustezza attraverso un addestramento bilanciato per il movimento e un'inferenza adattiva guidata dall'incertezza.
Il paper introduce VG3S, un nuovo framework che potenzia la previsione dell'occupazione semantica 3D integrando forti segnali geometrici da Modelli Fondamentali Visivi (VFM) tramite un adattatore gerarchico, ottenendo significativi miglioramenti di accuratezza sul benchmark nuScenes.
Questo lavoro propone un simulatore differenziabile basato su reti neurali che, combinando formulazioni analitiche con modelli GNN e utilizzando pochi dati reali per la calibrazione, migliora l'accuratezza della simulazione dei contatti rigidi e l'efficienza dell'apprendimento delle politiche robotiche.
Il paper presenta TaPD, un framework unificato e plug-and-play che utilizza la distillazione progressiva temporale-adattiva e un modulo di riempimento temporale per migliorare l'accuratezza della previsione delle traiettorie in scenari di guida autonoma con storie di osservazione variabili o estremamente brevi.
Il paper introduce NOVA, un nuovo paradigma di autoregressione open-vocabulary che sfrutta i modelli linguistici su larga scala per trasformare il tracciamento 3D di oggetti multipli in un compito di completamento di sequenze spaziotemporali, ottenendo prestazioni superiori nel tracciamento di categorie sconosciute rispetto ai metodi tradizionali.
Questo articolo propone un approccio a due fasi per la manutenzione robotizzata di laghi artificiali, integrando dati satellitari per la rilevazione preliminare della vegetazione sommersa e mappature ad alta risoluzione tramite SONAR a bordo di veicoli di superficie non pilotati, al fine di ottimizzare il raccolto mirato e ridurre il carico di lavoro per gli operatori umani.
Questo lavoro introduce il benchmark OccNL e il framework DPR-Occ per affrontare la previsione dell'occupazione semantica 3D in presenza di rumore di etichetta, dimostrando che le strategie esistenti falliscono in spazi voxel sparsi e proponendo un metodo innovativo basato sul ragionamento su etichette parziali che mantiene prestazioni elevate anche con un rumore del 90%.
Il paper presenta SuperSuit, un'interfaccia bimodale isomorfa che unifica teleoperazione e dimostrazione attiva per robot mobili manipolatori, consentendo la raccolta scalabile di dati ad alta qualità per compiti a lungo orizzonte attraverso una rappresentazione cinematica coerente che elimina la necessità di modifiche alle policy a valle.
Questo articolo propone l'utilizzo di mini-auto in scala 1:10 basate su software open-source e conformi agli standard ETSI come soluzione economica ed efficace per colmare il divario tra simulazione e test reali di veicoli autonomi, cooperativi e connessi, dimostrando la fattibilità della piattaforma attraverso la validazione di un sistema di avviso di collisione agli incroci.
Questo articolo presenta un framework di controllo distribuito che garantisce il consenso e la sicurezza nella manipolazione cooperativa tramite funzioni barriera di controllo gerarchiche attivate da eventi, riducendo i costi computazionali e di comunicazione rispetto ai metodi tradizionali.
Questo studio dimostra che, per migliorare il trasferimento cross-embodiment nei robot, l'uso di "analogie di dati" (dimostrazioni accoppiate che allineano scenari e traiettorie tra diversi corpi robotici) è più efficace dell'aumento indiscriminato della diversità dei dati, specialmente quando si affrontano cambiamenti morfologici, portando a un incremento medio del 22,5% nel successo del trasferimento rispetto ai dataset non accoppiati.
Il paper propone un framework di pruning dei token visivi spaziotemporali basato sulla storia, privo di riaddestramento, che riduce significativamente la latenza computazionale nei modelli Vision-Language-Action per la navigazione robotica, mantenendo un'alta accuratezza e permettendo un'implementazione in tempo reale su robot reali.