864 articoli
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.
Questo articolo presenta un metodo di navigazione per quadricotteri basato sull'apprendimento per rinforzo che, sfruttando informazioni privilegiate come le mappe del tempo di arrivo e una funzione di perdita specifica, supera le limitazioni delle tecniche precedenti nel superare grandi ostacoli, ottenendo un tasso di successo dell'86% in simulazione e validando il sistema in 20 voli reali senza collisioni.
Questo articolo estende il framework della metrica di Responsabilità nella navigazione dei robot sociali introducendo una normalizzazione temporale e una nuova metrica di Impegno per valutare la qualità e la lungimiranza della risoluzione cooperativa dei conflitti in scenari interattivi simulati.
Il paper presenta un framework di apprendimento basato su modelli di diffusione che combina la generazione di traiettorie di equilibrio con il controllo di impedenza per abilitare manipolazioni robotiche robuste e adattive in ambienti ricchi di contatti, dimostrando successo in compiti complessi come l'inserimento di perni in fori di geometrie diverse.
Il paper presenta GUIDE, un innovativo framework di esplorazione autonoma che combina l'inferenza su grafo globale con un processo decisionale basato sulla diffusione per modellare spazi non osservati e pianificare percorsi efficienti, ottenendo risultati superiori rispetto agli stati dell'arte sia in simulazione che nel mondo reale.
Questo articolo presenta un sistema affidabile per la localizzazione 3D di oggetti distanti, basato su triangolazione multivista o filtri particellari applicati a sequenze di segmentazione immagini da droni, che risulta particolarmente efficace per il monitoraggio degli incendi boschivi in contesti con risorse computazionali limitate.
Il paper presenta un approccio originale che combina una politica di apprendimento per rinforzo addestrata in simulazione con un affinamento guidato da sensori derivato da dimostrazioni hardware, consentendo una manipolazione robusta e adattiva di strumenti articolati da parte di mani robotiche dexterose con un efficace trasferimento simula-reale.
Il paper propone un protocollo di coordinamento peer-to-peer per team robotici eterogenei che, sfruttando l'integrazione tra Modelli Linguistici di grandi dimensioni e la Logica Temporale dei Segnali, permette ai robot di gestire conflitti imprevisti tramite richieste di aiuto in linguaggio naturale e selezione collaborativa degli assistenti, ottenendo prestazioni superiori alle euristiche tradizionali e paragonabili a quelle di un allocatore centralizzato senza richiedere informazioni globali.
Il paper presenta EgoTraj-Bench, il primo benchmark real-world che allinea osservazioni storiche rumorose in prima persona con traiettorie future pulite, e propone BiFlow, un modello a doppio flusso che supera lo stato dell'arte nella previsione di traiettorie robuste in ambienti umani.
Questo lavoro dimostra come l'utilizzo della Conflict-Based Search come protocollo centrale permetta di coordinare in modo efficiente il movimento di agenti eterogenei con pianificatori indipendenti e diversi in ambienti condivisi, garantendo percorsi privi di collisioni indipendentemente dall'implementazione specifica dei singoli sistemi di pianificazione.
Il paper presenta SBP, un approccio end-to-end per l'apprendimento di politiche di manipolazione mobile che utilizza una mappa latente 3D per migliorare il ragionamento spaziale e temporale e superare le prestazioni delle politiche basate solo su immagini.
MachaGrasp è un framework end-to-end basato su eigengrasp che genera articolazioni per mani destre di diverse morfologie, ottenendo un'elevata percentuale di successo nell'afferrare oggetti sia in simulazione che nel mondo reale grazie a un'architettura che integra embedding morfologici e una perdita di apprendimento cinematica.
Il paper propone CBF-RL, un framework che integra le Funzioni di Barriera di Controllo (CBF) direttamente nell'addestramento del Reinforcement Learning per internalizzare i vincoli di sicurezza nella politica appresa, permettendo così un dispiegamento sicuro e robusto su robot reali senza la necessità di filtri di sicurezza in tempo reale.