864 papers
Deze paper introduceert een stabiliteitsgeoriënteerde architectuur met een residu-besturingskanaal en een Stabiliteitsuitlijningspoort die, zonder de bestaande beleidsparameters aan te passen, robotica-systemen in staat stelt om na dynamische verschuivingen in real-time snel te herstellen en de prestaties te behouden.
Deze paper presenteert een robuust, mechanisch afgestemd tastapparaat voor meerpotige robots dat door het nabootsen van centipede-antennes real-time tactiele feedback biedt, waardoor betrouwbare navigatie en het ontsnappen uit krappe ruimtes mogelijk wordt zonder globale omgevingsinformatie of visie.
Dit paper introduceert Inverse Resistive Force Theory (I-RFT), een fysica-gedreven machine learning-framework dat robot-voetbewegingen en contactkrachten gebruikt om de mechanische eigenschappen van granulaire bodems nauwkeurig te schatten, zelfs bij willekeurige looppatronen.
Dit artikel toont aan dat een enkele, tijdsvariërende kostenfunctie, geschat met het MO-IRL-algoritme, menselijke reikbewegingen nauwkeurig kan voorspellen en ondersteunt het bestaan van een universeel optimaliteitsprincipe dat onafhankelijk is van het individu of de houding.
Dit paper introduceert MWM, een mobiel wereldmodel dat door middel van een tweestaps trainingsframework en een nieuwe distillatiemethode actie-geconditioneerde consistentie verbetert, wat leidt tot betere visuele kwaliteit, trajectnauwkeurigheid en planningsucces bij navigatie-taken.
Dit paper introduceert STEP, een op voorkeursvoorwaarden gebaseerde reinforcement learning-methode die de afweging tussen ruimtelijke efficiëntie en operationele tijd optimaliseert voor robotten die 3D-kisten inpakken, wat resulteert in een 44% reductie van de benodigde tijd zonder in te leveren op de packdichtheid.
Dit paper introduceert een tweeledig mens-robot samenwerkingssysteem dat onzekerheid vermindert door middel van actieve communicatie en intentie-inferentie, wat resulteert in aanzienlijke reducties in interactiekosten en uitvoeringstijd in zowel simulatie als echte UAV-deployments.
Dit artikel introduceert een nieuw raamwerk voor droneplanning dat, door middel van een neuro-symbolische boomstructuur en grote taalmodellen, de samenwerking tussen mens en AI optimaliseert via actieve, gerichte informatievragen in plaats van controle-overname, wat leidt tot een hogere succesratio en minder menselijke interactie bij complexe zoek- en reddingsmissies.
Deze paper presenteert een geïntegreerd besturingskader voor luchtmanipulatie dat een fysisch blade-elementmodel combineert met een leer-gebaseerde schatter voor restkrachten, waardoor robuuste trajectvolging en muurcontact mogelijk wordt in complexe windomgevingen.
Dit artikel overbrugt de kloof tussen dynamisch programmeren en versterkend leren door een gedeterminiseerde versie van versterkend leren te ontwikkelen en wiskundig te analyseren om de equivalentie tussen kostenminimalisatie en beloningsmaximalisatie te tonen, terwijl het pleit voor het optimaliseren van de werkelijke kosten in plaats van het gebruik van willekeurige parameters.
Deze paper presenteert een robuuste, viewpoint-agnostische grijppijplijn voor mobiele benige manipulators die, door gebruik te maken van visuele taalmodellen en gedeeltelijke waarnemingen, taalgestuurde grijpacties in verwarde omgevingen mogelijk maakt met een succespercentage van 90%, aanzienlijk beter dan een bestaande view-dependent baseline.
Deze paper introduceert een taakbewuste interface die visuele input omzet in een semantisch-geometrische representatie door objecten te segmenteren en te herverven met vooraf gedefinieerde kleuren en dieptedata, waardoor robotbeleid robuuster wordt tegen visuele veranderingen zonder het beleid zelf aan te passen.
Dit paper introduceert een methode die transfer entropy gebruikt om invloedrijke robotacties te identificeren tijdens mens-robotinteracties, waardoor de ontwerp- en aanpassingsmogelijkheden van robotische systemen worden verbeterd.
Het artikel introduceert RoboRouter, een trainingsvrij kader dat de prestaties van robotmanipulatie verbetert door een pool van heterogene beleidsmodellen intelligent te routeren op basis van semantische taakrepresentaties en historische uitvoeringsgegevens, wat resulteert in aanzienlijk hogere succespercentages dan individuele beleidsmodellen.
Dit paper introduceert NaviDriveVLM, een gefragmenteerd framework dat redenering en bewegingsplanning voor autonoom rijden ontkoppelt via een grote Navigator en een lichte Driver, waardoor het de prestaties van bestaande visueel-taalmodellen op de nuScenes-benchmark verbetert terwijl de trainingskosten worden verlaagd.
DyQ-VLA is een dynamisch kwantisatiekader voor Vision-Language-Action-modellen dat tijdsafhankelijke gevoeligheid benut om de geheugenvoetafdruk met 69,1% te verminderen en de snelheid te verhogen, terwijl 99,5% van de oorspronkelijke prestaties behouden blijft.
Deze studie presenteert een volledig visuele autonomieframework voor robotische bronchoscopie dat, zonder externe tracking, lange- en korte-termijn agenten combineert met een wereldmodel om succesvol te navigeren naar doelgebieden in de luchtwegen.
Dit artikel presenteert een trainingsframework voor humanoïde robots dat veilige, omnidirectionele trapbeweging mogelijk maakt door een dichte straffunctie voor onveilige stappen te combineren met een LiDAR-gebaseerd elevatie-mappingssysteem dat wordt verfijnd door een Edge-Guided Asymmetric U-Net.
Dit artikel presenteert een door trajecten gedreven global optimalisatieframework dat gekoppelde interne structurele en externe hydrodynamische parameters gelijktijdig identificeert, waardoor hoogwaardige modellering en simulatie van onderwater ondergeactiveerde mechanismen en zachte robots mogelijk wordt zonder handmatige herkalibratie.
Het RAPID-framework verbetert de edge-cloud inferentie voor diverse Vision Language Action-modellen door redundante taken te identificeren en compatibiliteit te optimaliseren, wat resulteert in een snelheidswinst tot 1,73x met slechts 5-7% overhead.