694 articoli
Il paper presenta -Occ, un framework innovativo per la previsione dell'occupazione semantica 3D che garantisce resilienza e coerenza strutturale in scenari di guida autonoma con input multivista incompleti, grazie a un modulo di ricostruzione mascherata e a una memoria di caratteristiche che recuperano informazioni mancanti senza compromettere le prestazioni in condizioni ottimali.
Il paper introduce SACA, un nuovo framework di allineamento contrastivo step-aware che risolve le limitazioni degli attuali metodi di addestramento per la navigazione visione-linguaggio in ambienti continui, migliorando la generalizzazione e il recupero dagli errori attraverso una supervisione densa e un'analisi dettagliata dei singoli passaggi.
Questo articolo presenta un robot continuo a compressione ispirato ai bruchi, dotato di un sistema di attuazione a tendini e di sensori a setole artificiali, progettato per migliorare l'esplorazione e l'ispezione di spazi confinati tramite robot commerciali esistenti.
Il paper introduce PanoAffordanceNet, un nuovo framework end-to-end e il dataset 360-AGD per il grounding olistico delle affordance in ambienti interni a 360 gradi, superando le sfide delle distorsioni geometriche e della dispersione sematica attraverso modulatori spettrali adattivi e testine di densificazione sferica.
Il paper presenta MuxGel, un sensore visuo-tattile che risolve il compromesso tra visione pre-contatto e rilevamento tattile utilizzando un rivestimento a scacchiera per la multiplexazione spaziale e un framework di ricostruzione basato su U-Net per recuperare simultaneamente segnali visivi e tattili ad alta fedeltà.
Il paper presenta TIMID, una nuova architettura ispirata alla rilevazione di anomalie video che, sfruttando supervisione debole e un dataset di simulazione multi-robot, supera i limiti dei modelli esistenti nel rilevare errori temporali complessi durante l'esecuzione di compiti robotici ad alto livello.
Questo articolo presenta un sistema di tracciamento UAV basato su LiDAR 3D leggero e adattivo, che utilizza un Filtro di Kalman Esteso Adattivo (AEKF) per garantire un posizionamento relativo robusto e preciso in ambienti privi di GPS, superando le limitazioni dei metodi convenzionali in termini di carico utile e prestazioni durante manovre aggressive.
Questo articolo presenta il framework DAPL, che facilita l'apprendimento di politiche dinamiche consapevoli per abilitare la destrezza estrinseca in scenari affollati, superando i metodi esistenti grazie a una modellazione esplicita delle dinamiche indotte dal contatto e ottenendo risultati superiori sia in simulazione che nel mondo reale.
Questo studio propone una valutazione comparativa di cinque approcci per la localizzazione cooperativa in ambienti privi di caratteristiche, evidenziando i compromessi tra accuratezza e consistenza del filtro per guidare la selezione dell'algoritmo in base ai requisiti applicativi.
Il paper presenta NanoBench, il primo dataset open-source multi-task che fornisce dati sincronizzati a livello di attuatore, controller e stimatore su un nano-quadrotore Crazyflie 2.1, colmando il divario nei benchmark esistenti per lo studio dell'identificazione di sistema, del controllo e della stima dello stato in condizioni di aerodinamica a basso numero di Reynolds e vincoli computazionali severi.
Il paper presenta KDMR, un nuovo framework per il ridimensionamento cinematico-dinamico della locomozione umanoide che, formulando il problema come ottimizzazione di traiettoria a contatto multiplo e integrando dati di forza di reazione al suolo, genera movimenti fisicamente coerenti che superano i limiti dei metodi puramente cinematici e migliorano l'addestramento delle politiche di controllo.
Il paper presenta BEACON, un metodo che supera i limiti delle tecniche di navigazione basate su immagini prevedendo mappe di affordanza in vista dall'alto (BEV) per identificare target nascosti da ostacoli, ottenendo un miglioramento significativo rispetto allo stato dell'arte grazie alla fusione di cue spaziali e modelli visione-linguaggio.
Il paper presenta TiPToP, un sistema modulare open-source per la pianificazione robotica che combina modelli visivi preaddestrati e un pianificatore Task and Motion (TAMP) per eseguire compiti di manipolazione complessi da immagini e istruzioni linguistiche senza richiedere dati robotici specifici, dimostrando prestazioni competitive rispetto a modelli VLA addestrati su grandi dataset.
Questa rassegna esamina l'applicazione della teoria dell'utilità alla modellazione cognitiva nella robotica, analizzando l'evoluzione dai sistemi basati sul comportamento alle architetture cognitive e ai sistemi di valore, con particolare attenzione al processo decisionale, all'apprendimento e all'interazione in ambienti multi-agente e uomo-robot, proponendo infine nuove direzioni di ricerca e problemi aperti.
Questo articolo presenta un metodo basato sull'Entropia di Trasferimento per modulare l'influenza reciproca tra agenti in interazioni uomo-robot, dimostrando come tale approccio favorisca implicitamente la comunicazione, la collaborazione o l'indipendenza sociale senza richiedere modelli espliciti delle intenzioni umane.
Questo lavoro propone una rete di oscillatori accoppiati (CON) che, garantendo una struttura lagrangiana, stabilità input-stato e una mappatura invertibile tra input e forze latenti, abilita un controllo efficace nello spazio latente basato su modelli a forma chiusa per sistemi fisici complessi, come dimostrato con successo su un robot soffice utilizzando solo immagini.
Il paper propone xTED, un framework innovativo che utilizza un modello di diffusione per adattare direttamente le traiettorie tra domini diversi a livello dei dati, correggendo le discrepanze senza richiedere architetture complesse e migliorando le prestazioni nell'apprendimento delle politiche.
Questo lavoro presenta un'azione scalare esplicita e generale per sistemi meccanici non olonomi e vincolati da disuguaglianze, derivata dal formalismo quantistico di Schwinger-Keldysh, che permette di recuperare le equazioni di Lagrange-d'Alembert tramite estremizzazione e di validare la dinamica attraverso l'ottimizzazione numerica diretta senza ricorrere alle equazioni del moto.
Questo lavoro propone un metodo che sfrutta modelli visione-linguaggio preaddestrati per apprendere modelli del mondo simbolici astratti da dimostrazioni brevi, consentendo a sistemi robotici di pianificare e risolvere compiti decisionali a lungo termine con una generalizzazione zero-shot in scenari complessi e non visti in precedenza.
Il paper presenta GPC, un framework di controllo generativo che combina clonazione comportamentale, modelli predittivi del mondo e pianificazione online per superare le prestazioni della clonazione comportamentale in compiti di manipolazione robotica sia in simulazione che nel mondo reale.