865 articoli
Il paper propone Many-RRT*, un'estensione dell'algoritmo RRT*-Connect che pianifica in parallelo verso molteplici soluzioni di cinematica inversa per garantire la convergenza asintomatica e ottenere traiettorie di qualità superiore con un tasso di successo significativamente più elevato nella pianificazione del movimento per manipolatori seriali ad alto grado di libertà.
Il paper presenta MEMO, un approccio che migliora le politiche neuro-simboliche per la manipolazione robotica aggregando feedback umani locali in un archivio di competenze generalizzate, permettendo così al robot di adattarsi dinamicamente a nuovi compiti superando i limiti delle abilità preesistenti.
Questo articolo presenta un framework di stima distribuita e decentralizzata basato su visione per il trasporto cooperativo di carichi sospesi in ambienti privi di GPS, che utilizza telecamere monococulari a bordo e un filtro dell'informazione esteso per garantire una stima robusta dello stato del carico e un controllo di traiettoria efficace anche in caso di perdita di comunicazione o sensori.
Questo lavoro presenta un metodo pionieristico che combina l'Apprendimento per Rinforzo Distribuzionale e l'Apprendimento per Imitazione per addestrare policy visuomotorie per manipolatori mobili, consentendo loro di prendere decisioni consapevoli del rischio in ambienti dinamici e non mappati basandosi su osservazioni di profondità egocentriche.
Il paper presenta ELLIPSE, un metodo di apprendimento evidenziale che genera waypoint e distribuzioni di incertezza robuste per robot mobili in ambienti aperti, migliorando l'affidabilità attraverso l'augmentazione del dominio e la ricalibrazione post-hoc, come dimostrato negli esperimenti reali sulla navigazione delle scale.
Il paper presenta un formalismo consapevole del rischio per valutare le traiettorie di sistemi in presenza di incertezza, modellando esplicitamente l'influenza reciproca tra sistema e ambiente per garantire coerenza nelle preferenze e migliorare l'esplicabilità delle decisioni, come dimostrato in un esempio di guida autonoma.
Il paper introduce RoboMME, un benchmark su larga scala e standardizzato per valutare e migliorare le politiche robotiche generaliste basate su modelli visione-linguaggio-azione (VLA) in scenari a lungo termine dipendenti dalla storia, fornendo al contempo un'analisi sistematica di diverse strategie di memoria attraverso 16 compiti e 14 varianti di modelli.
Questo lavoro presenta un'architettura di controllo e software integrata che abilita l'ispezione non distruttiva (NDT) ultrasonica completamente autonoma e a contatto su un quadricottero commerciale Flyability Elios 3, permettendo ispezioni sicure in ambienti industriali non strutturati utilizzando esclusivamente sensori di bordo.
Questo lavoro presenta GIANT, un approccio innovativo che integra la pianificazione globale con reti neurali grafiche attentive per migliorare la navigazione e l'evitamento delle collisioni in ambienti dinamici multi-agente, superando le prestazioni dei metodi esistenti in scenari complessi come quelli logistici.
Questo lavoro presenta un flusso di lavoro ibrido che utilizza modelli linguistici su larga scala (LLM) assistiti da esperti umani per generare in modo efficiente e performante i bindings Python per la vasta libreria robotica C++ OMPL, superando le difficoltà tradizionali di manutenzione e garantendo risultati comparabili alle soluzioni legacy.
Questo lavoro propone una pipeline per la parcheggio automatico che migliora le prestazioni selezionando i posti basandosi sulla previsione esplicita delle intenzioni di parcheggio degli altri agenti dalla loro storia di movimento, superando i metodi esistenti in termini di accuratezza predittiva, accettabilità sociale e completamento del compito.
Il paper presenta LEGS-POMDP, un sistema modulare basato su POMDP che integra linguaggio, gesti e osservazioni visive per guidare la ricerca di oggetti in ambienti parzialmente osservabili, ottenendo risultati superiori rispetto ai metodi unimodali sia in simulazione che su un manipolatore mobile quadrupede reale.
Il paper presenta GenTact-Prox, una pelle artificiale interamente stampata in 3D che integra sensori tattili e di prossimità per l'anticipazione dei contatti, caratterizzata da un design modulare adattabile a qualsiasi morfologia robotica e da un framework di mappatura dello "spazio perisensoriale" che permette di rilevare oggetti fino a 18 cm di distanza.
Questo lavoro propone un framework di ottimizzazione basato sull'algoritmo NSGA-III per generare andature in robot modulari a zampe che bilanciano il carico articolare e la mobilità, garantendo l'integrità strutturale delle giunzioni facilmente sganciabili senza compromettere le prestazioni di locomozione in ambienti complessi.
Il paper presenta e valida un sistema di cambio utensile autolocalizzante per robot modulari riconfigurabili, che utilizza geometrie passive di allineamento e una stazione di scambio rotante per compensare errori di posizionamento e garantire uno scambio affidabile senza sensori di forza complessi.
Questo studio dimostra che è possibile stimare efficacemente il tipo di terreno per i robot a due ruote in ambienti lunari analizzando la deviazione standard dei dati di assetto, permettendo così un cambio adattivo delle politiche di controllo con un'accuratezza superiore al 98%.
Questo studio propone un metodo di esplorazione decentralizzato per sciami di robot che combina un algoritmo di auto-organizzazione per la formazione dinamica di squadre e una strategia innovativa basata sui grandi modelli linguistici (LLM) per la selezione autonoma degli obiettivi, superando i limiti dei metodi tradizionali in termini di robustezza ed efficienza.
Questo studio propone un framework di controllo basato sui dati, che combina un modello dinamico forward appreso tramite reti neurali, un controllo predittivo basato su gradienti e l'apprendimento per imitazione, per garantire una navigazione precisa e in tempo reale di robot ittiomorfi magnetici, superando le sfide poste dalla dinamica dei fluidi non lineare e dall'isteresi delle pinne flessibili.
Il paper propone un metodo efficiente per addestrare politiche di diffusione in contesti di apprendimento per rinforzo on-policy, superando le sfide computazionali del calcolo della verosimiglianza attraverso un nuovo allineamento tra iterazione della politica e processo di diffusione, ottenendo prestazioni superiori e comportamenti multimodali su diversi benchmark.
Questo studio analizza i punti di forza e le debolezze dei dati per l'assistenza incorporata in scenari open-set, dimostrando che la generazione di dataset sintetici diversificati e multimodali è fondamentale per addestrare modelli in grado di generalizzare a nuovi comportamenti utente e configurazioni di compiti.