864 articoli
Questo articolo propone una tecnica di controllo distribuito per formazioni di UAV che, decomponendo e modificando il comando di discesa del gradino in base al rumore sensoriale stimato, garantisce un'implementazione affidabile in scenari reali riducendo oscillazioni e derive rispetto agli algoritmi esistenti.
Il paper presenta FEP-Nav, un framework ispirato al Principio dell'Energia Libera che garantisce una navigazione visiva robusta e adattiva in tempo reale minimizzando l'energia variazionale attraverso un meccanismo duale di decodifica top-down e normalizzazione adattiva, permettendo così ai sistemi autonomi di mantenere prestazioni elevate anche in presenza di corruzioni sensoriali.
Il paper propone il Multi-feature Implicit Model (MIMO), un nuovo metodo di apprendimento per imitazione che utilizza una rappresentazione neurale implicita per migliorare la ricostruzione di oggetti da osservazioni parziali e l'esecuzione di compiti di afferramento e riordino sia in simulazione che nel mondo reale.
Questo articolo propone un metodo per la guida autonoma che bilancia i rischi di collisione e le violazioni delle regole stradali, estendendo una metrica di rischio umano tramite specifiche di logica temporale lineare (LTL) formulate come problemi di raggiungibilità risolvibili mediante programmazione lineare e validati nel simulatore Carla.
Il paper presenta GenTact Toolbox, una pipeline computazionale che genera proceduralmente pelli artificiali tattili intere per robot, adattando forma e distribuzione dei sensori al contesto operativo specifico tramite simulazione e stampa 3D multi-materiale.
Questa lettera propone un modello di diffusione guidato dalle condizioni di contatto che mappa immagini RGB e dati di forza in immagini tattili ad alta fedeltà, superando i limiti delle simulazioni tradizionali e ottenendo una significativa riduzione dell'errore rispetto agli approcci esistenti.
Il paper presenta un framework di manipolazione 3D consapevole della dinamica che integra la modellazione del mondo tridimensionale nell'apprendimento delle policy attraverso tre compiti di auto-supervisione, migliorando significativamente le prestazioni nelle manipolazioni con movimento in profondità senza sacrificare la velocità di inferenza.
Il paper presenta il dataset PeRoI, che cattura le interazioni pedone-robot in diverse condizioni, e propone il modello NeuRoSFM per migliorare la previsione dei movimenti pedonali e le strategie di navigazione sociale in ambienti umani.
Il paper propone LMPOcc, un framework plug-and-play che migliora la previsione dell'occupazione 3D locale e la mappatura globale collaborativa integrando efficientemente le memorie a lungo termine con le osservazioni correnti per una comprensione più robusta e scalabile degli ambienti esterni.
Questo lavoro propone un nuovo obiettivo di ricompensa consapevole del rischio per l'apprendimento per rinforzo nella guida autonoma, che integra una struttura gerarchica di obiettivi e un'estensione della sicurezza RSS, dimostrando una riduzione del 21% delle collisioni e un miglioramento delle prestazioni rispetto ai metodi tradizionali.
Questo paper propone un nuovo framework per la previsione delle traiettorie nella guida autonoma che, guidando la regressione attraverso i confini stradali e vincoli cinematici, garantisce previsioni fisicamente fattibili e robuste riducendo drasticamente le uscite dalla carreggiata anche in scenari avversi.
Questo paper propone un framework di apprendimento curricolare automatico che genera dinamicamente scenari di guida adattivi per migliorare l'efficienza e la generalizzazione degli agenti di guida autonoma basati sul reinforcement learning, superando i limiti delle metodologie tradizionali come la randomizzazione del dominio.
Il paper presenta C*, un algoritmo innovativo di pianificazione del percorso di copertura per ambienti sconosciuti basato su Grafi a Copertura Rapida (RCG), che garantisce una copertura completa ed efficiente in tempo reale con prestazioni superiori rispetto ai metodi esistenti, come dimostrato da simulazioni e esperimenti reali.
Il paper presenta RoboPARA, un innovativo framework guidato da modelli linguistici su larga scala che ottimizza la pianificazione parallela per robot a due bracci attraverso la generazione di candidati basata su grafi di dipendenza e la rielaborazione del grafo, supportato dal nuovo dataset X-DAPT per la valutazione in scenari diversificati.
Questo lavoro introduce le Presymplectification Networks (PSN), un nuovo framework che risolve il problema della degenerazione della forma simplettica nei sistemi meccanici vincolati e dissipativi, come i robot quadrupedi, mappandoli su una varietà di fase aumentata tramite strutture di Dirac per garantire la conservazione dell'energia e la stabilità nelle previsioni a lungo termine.
Il paper presenta un framework di apprendimento per imitazione che, partendo da dati di movimento reali non etichettati, estrae automaticamente modalità comportamentali e transizioni per permettere a robot quadrupedi di eseguire locomozione steerabile e stilisticamente coerente senza necessità di etichettatura manuale o regole di commutazione predefinite.
Questo articolo presenta e convalida sperimentalmente un sistema di teleoperazione bilaterale a 4 canali senza sensori di forza per manipolatori a basso costo, dimostrando che tale approccio consente un'interazione stabile ad alta velocità e migliora significativamente l'apprendimento per imitazione fornendo dati di dimostrazione arricchiti da informazioni di forza.
Questo articolo presenta RVSG, un approccio di testing basato su modelli linguistici visivi sviluppato con PAL Robotics per generare scenari di interazione umana che violano i requisiti di sicurezza, permettendo di valutare in modo sicuro ed efficace il comportamento di robot mobili autonomi industriali in ambienti simulati.
Il paper introduce LHM-Humanoid, un framework di apprendimento e benchmark che addestra un'unica politica end-to-end per il controllo olistico di humanoid in ambienti disordinati, permettendo loro di navigare, manipolare e trasportare oggetti in episodi lunghi e complessi senza reset, superando le prestazioni dei metodi precedenti grazie a una forte generalizzazione cross-scena.
Questo lavoro presenta un nuovo framework ibrido che combina il controllo predittivo basato su modello (MPC) con una rete neurale per l'aggiustamento adattivo online dei parametri, permettendo ai droni di attraversare con agilità e precisione cancelli stretti e di recuperare rapidamente da forti perturbazioni, superando i limiti dei metodi modulari tradizionali e dell'apprendimento per rinforzo end-to-end.