674 papers
Deze paper introduceert CoHet, een algoritme dat graph neural networks gebruikt om intrinsieke beloningen te genereren en zo de samenwerking tussen heterogene agents in gedecentraliseerde multi-agent versterkingsleer te verbeteren, zelfs bij gedeeltelijke waarneembaarheid en schaarse beloningen.
Dit paper introduceert een datagedreven aanpak op basis van differentieerbare optimalisatie en controle-barrièrefuncties om verantwoordelijkheidsallocaties voor veilige multi-agent-interacties te leren, waardoor een interpreteerbaar inzicht wordt verkregen in hoe agenten hun gedrag aanpassen om de veiligheid van anderen te waarborgen.
Deze paper introduceert OWL-TAMP, een methode die Vision-Language Models integreert in Task and Motion Planning-systemen door automatisch discrete en continue constraints te genereren, waardoor robots complexe, op natuurlijke taal gebaseerde manipulatieopdrachten in open werelden succesvol kunnen uitvoeren.
Deze paper presenteert een nieuwe beeldcompressietechniek voor onderwaterrobots die gebruikmaakt van gesynthetiseerde nieuwe weergaven en gradiëntafstijging om de beperkte bandbreedte van akoestische communicatie te overwinnen, wat resulteert in superieure compressie en beeldkwaliteit.
Dit artikel introduceert MS-HGNN, een heterogene graf-neurale netwerkarchitectuur die robotische kinematische structuren en morfologische symmetrieën integreert om dynamische leerprocessen voor multi-lichaamssystemen efficiënter en generaliseerbaarder te maken.
Dit paper introduceert CuriousBot, een systeem dat gebruikmaakt van een 3D-relatieobjectgrafiek om mobiele robots in staat te stellen hun omgeving actief te verkennen door interactie, waarmee het de beperkingen van bestaande methoden die zich voornamelijk op waarneming richten, overtreft.
Dit paper introduceert iMarkers, onzichtbare fiduciële markers die uitsluitend door robots en AR-apparaten kunnen worden gedetecteerd, waardoor ze een esthetisch onopvallende oplossing bieden voor navigatie en objectherkenning in diverse robotica-scenario's.
Deze paper presenteert een geïntegreerd framework dat likelihood-free inference gebruikt om fysische parameters van vervormbare lineaire objecten te schatten, waarmee domeinrandomisatie in simulatie wordt verbeterd voor het trainen van visuele beleidsstrategieën die zonder aanpassing direct in de echte wereld kunnen worden ingezet.
Dit paper introduceert LLM-Advisor, een prompt-based raamwerk dat grote taalmodellen gebruikt als post-processing adviseurs om de kosten-efficiëntie van padplanning over diverse terreinen aanzienlijk te verbeteren zonder de onderliggende planner te wijzigen.
Deze paper introduceert iTuP en SDG-Net, een systeem dat robotgrepen optimaliseert door interactiewerktuigen te minimaliseren in plaats van alleen op geometrie te vertrouwen, waardoor de stabiliteit en het succes van gereedschapsgebruik aanzienlijk worden verbeterd.
Dit paper introduceert Latent Policy Steering (LPS), een methode die een vooraf getraind wereldmodel en een waardefunctie gebruikt om robotvisuomotorische beleidsplanning te verbeteren door optische stroming als embodiment-agnostische actierepresentatie te benutten, wat leidt tot aanzienlijke prestatiewinsten in scenario's met beperkte trainingsdata.
Het paper introduceert YOPO, een minimalistisch, single-stage transformer-model dat monokulaire RGB-afbeeldingen gebruikt om de 9-DoF-pose van onbekende objecten op categorieniveau direct en nauwkeurig te schatten zonder extra data of pseudo-diepte.
Dit artikel presenteert een decentrale aanpak voor het coöperatief vervoer van onvatbare objecten door teams van N-vierpootrobots met armen, waarbij ze via een hiërarchisch beleidsarchitectuur en een speciaal beloningssysteem leren om zonder communicatie of mechanische koppeling samen te werken door alleen contactkrachten te gebruiken.
Dit paper introduceert de Robot Control Stack (RCS), een lichtgewicht en modulair ecosysteem dat de kloof tussen simulatie en de echte wereld overbrugt om onderzoek naar robotleren met grote Vision-Language-Action-modellen te faciliteren.
Dit artikel introduceert CSLICS, een geautomatiseerd camerasysteem dat gebruikmaakt van computerzicht en menselijke feedback om koraalspawning nauwkeurig te tellen, waardoor de arbeidsintensiteit drastisch wordt verminderd en de schaalbaarheid van koraalherstelprojecten op het Groot Barrièrerif wordt vergroot.
Deze paper introduceert General Policy Composition (GPC), een trainingsvrije methode die de prestaties van bestaande robotbeleidmodellen op basis van diffusie of stroming verbetert door hun distributiescores tijdens de testfase te combineren, zonder dat extra training vereist is.
Deze paper introduceert een real-time MPC-CLF-CBF bewegingsplanner op basis van Bézier-curves die de connectiviteit van een zwerm robots in obstakelrijke omgevingen waarborgt, navigatieproblemen oplost en verbroken verbindingen herstelt, zoals geverifieerd door simulaties en fysieke experimenten met acht Crazyflie-quadcopters.
Dit paper introduceert NavSpace, een benchmark voor het evalueren van ruimtelijke intelligentie in navigatieagenten, en presenteert SNav, een nieuw model dat op deze benchmark en met echte robots superieure prestaties levert.
Deze paper introduceert het nieuwe taakgebied DGLSS-NL voor LiDAR-segmentatie met onvolmaakte labels, presenteert een eerste benchmark en stelt DuNe voor, een dubbelzicht-architectuur die de prestaties aanzienlijk verbetert door consistentie tussen sterke en zwakke weergaven te forceren en vertrouwen-gebaseerde filtering toe te passen.
Dit paper introduceert een asset-gecentreerde, metrisch-semantische kaart voor binnenruimten die objecten als gedetailleerde mesh-voorstellingen combineert met natuurlijke taal, waardoor robuustere redeneer- en navigatiecapaciteiten met grote taalmodellen worden bereikt dan met bestaande benaderingen.