864 articoli
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.
Questo articolo propone le Funzioni di Barriera Iperpiano (H-CBF), un approccio che ottimizza l'orientamento dell'iperpiano di separazione tra agente e ostacolo per ottenere una funzione di barriera meno conservativa rispetto ai metodi basati sulla distanza, garantendo sicurezza e maggiore libertà di controllo in scenari dinamici complessi.
Questo articolo presenta un pianificatore TAMP cinodinamico che integra un albero di stato ibrido, un pianificatore di movimento esistente e un modello linguistico visivo (VLM) per guidare l'esplorazione e il backtracking, ottenendo significativi miglioramenti nei tassi di successo e nei tempi di pianificazione rispetto ai metodi tradizionali e basati su LLM.
Il paper presenta SpikeATac, un dito tattile multimodale che combina sensori piezoelettrici dinamici e capacitivi statici con un framework di apprendimento per gestire con successo la manipolazione intra-mano di oggetti fragili e deformabili.
Questo lavoro presenta una nuova classe di algoritmi di compensazione del cono per sistemi di navigazione inerziale, derivati direttamente dalle routine di integrazione di Runge-Kutta e basati sulla teoria di Lie, che generalizzano i metodi esistenti e offrono una procedura sistematica per generare approssimazioni di ordine superiore.
Il paper presenta ROVER, un approccio innovativo per la verifica temporale delle politiche robotiche a scatola nera che utilizza un regolatore in loop per valutare le tracce di esecuzione rispetto a specifiche STL, guidando un retraining mirato che ha dimostrato miglioramenti significativi nella soddisfazione dei requisiti di sicurezza temporale sia in simulazione che su un robot reale.
Il paper propone ObAct, un nuovo framework per l'apprendimento per imitazione con visione attiva in cui un braccio robotico funge da osservatore per costruire una rappresentazione 3DGS e posizionare la telecamera in modo ottimale, permettendo all'altro braccio (attore) di eseguire compiti con maggiore robustezza e riducendo le occlusioni rispetto alle configurazioni statiche.
MarketGen è una piattaforma di simulazione scalabile che utilizza una generazione procedurale basata su agenti per creare ambienti di supermercato realistici e complessi, fornendo un nuovo benchmark e una vasta libreria di asset per valutare e accelerare lo sviluppo di agenti embodied in contesti commerciali.
Il paper presenta LAP, un pianificatore per la guida autonoma che utilizza uno spazio latente VAE e un meccanismo di allineamento delle caratteristiche per generare piani di guida multimodali di alta qualità in un singolo passo, superando i limiti di latenza e capacità dei modelli di diffusione tradizionali e ottenendo prestazioni all'avanguardia sul benchmark nuPlan con un'accelerazione fino a 10 volte.
Il paper presenta GRAND, un algoritmo ibrido che combina un'architettura di guida globale basata su reti neurali con ottimizzazioni locali di riequilibrio e assegnazione per massimizzare il throughput e ridurre la congestione nella gestione di flotte robotiche su larga scala, superando le prestazioni degli scheduler attuali mantenendo una latenza computazionale inferiore al secondo.
Questo articolo presenta TEMPO-VINE, il primo dataset pubblico multi-modale e multi-temporale che integra dati eterogenei da sensori come LiDAR, GPS e telecamere in vigneti reali, fornendo un benchmark fondamentale per lo sviluppo e la valutazione di sistemi autonomi di localizzazione e mappatura in condizioni agricole complesse.
Il paper introduce NeuralRemaster, un metodo di diffusione che preserva la fase dei segnali per generare contenuti strutturati e allineati geometricamente, migliorando significativamente il trasferimento sim-to-real senza costi aggiuntivi o modifiche architetturali.
Questo lavoro presenta un metodo efficiente basato sulla mollificazione per generare percorsi robotici lisci e differenziabili con garanzie di curvatura, colmando il divario tra le uscite non differenziabili dei pianificatori e i requisiti di controllo in tempo reale.