864 papers
Deze paper introduceert het AFOP-ML-framework, een meta-leerbenadering met automatische feature-optimalisatie die robots in staat stelt om met weinig trainingsdata zowel vormen als materialen nauwkeurig te herkennen via tactiele sensoren, zelfs in uitdagende scenario's met onbekende objecten of verstoringen.
Dit paper introduceert de FoMo-dataset, een uitgebreide verzameling van multi-seizoensdata uit een boreaal bos die is ontworpen om de robuustheid van robotnavigatiesystemen te testen onder extreme seizoensgebonden omstandigheden zoals sneeuw en vegetatiegroei.
Dit artikel presenteert een adaptieve, entropie-gedreven sensorselectiemethode binnen een camera-LiDAR deeltjesfilter voor robuuste tracking van een enkel vaartuig, die in een realistische maritieme testomgeving in Cyprus een gunstige afweging tussen nauwkeurigheid en continuïteit bereikt door dynamisch te schakelen tussen sensormodi op basis van informatiewinst.
Dit paper introduceert R2F, een framework voor objectnavigatie dat zonder grote taalmodellen (LLMs) of visueel-taalmodellen (VLMs) werkt door ray frontiers te herinterpreteren als semantische hypotheses, waardoor real-time prestaties worden bereikt met een tot zes keer snellere uitvoering dan bestaande VLM-gebaseerde methoden.
Dit paper introduceert LAR-MoE, een tweestapskader voor imitatielearning dat ongelabelde demonstraties gebruikt om een latente ruimte te leren die de expert-routing reguleert, waardoor robots effectief kunnen leren van heterogene taken zonder handmatige vaardigheidsannotaties.
Het paper introduceert STRIDE, een dynamisch leerframework dat Lagrangiaanse neurale netwerken combineert met conditionele flow matching om robuuste voorspellingen te maken voor robotica in ongestructureerde omgevingen door conservatieve mechanica te scheiden van stochastische interactie-effecten.
Het artikel introduceert 3PoinTr, een methode die robotbeleid pretraint met behulp van casual menselijke video's door 3D-puntenbanen te voorspellen als een embodiment-agnostische tussenrepresentatie, waardoor robuuste robotmanipulatie mogelijk wordt met slechts 20 gelabelde demonstraties.
Deze paper presenteert een open-source, robot-onafhankelijk platform voor autonome laparoscopische chirurgie dat een deterministische RCM-controller en stereoscopische 3D-perceptie integreert om sub-millimeter precisie en robuustheid te garanderen in teleoperatie, datacollectie en het trainen van autonome beleidsstrategieën.
Dit paper introduceert ProReFF, een model dat ongelabelde waarnemingen gebruikt om probabilistische relatieve kenmerken te leren en zo robotagents in staat stelt om objecten in onbekende omgevingen 20% efficiënter te vinden dan bestaande methoden en tot 80% van het menselijke niveau te bereiken.
Dit artikel introduceert de Interactive World Simulator, een framework dat consistentiemodellen gebruikt om snelle en fysiek consistente wereldmodellen te bouwen die dienen als betrouwbaar surrogaat voor het schaalbaar trainen en evalueren van robotbeleidsstrategieën.
Dit paper introduceert het OA-Bug-algoritme, dat olfactorische en auditieve signalen gebruikt om zwermen van autonome robots te laten samenwerken bij het verkennen van een onbepaalde omgeving zonder GNSS of centrale verwerking, wat resulteert in een aanzienlijk verbeterde zoekdekking.
Het paper introduceert RAG-Driver, een innovatief retrieval-augmented multi-modaal groot taalmodel dat via in-context learning en gebruik van opgehaalde expertdemonstraties betrouwbare, uitlegbare en generaliseerbare autonome rijbeslissingen mogelijk maakt zonder verdere training.
FALCON is een zelftoezichtend voortrainingsmodel dat objectgerichte maskering en toekomstige reconstructie combineert om de prestaties van UAV-actieherkenning op ruwe RGB-beelden te verbeteren door de aandacht te richten op relevante objecten in plaats van rommelige achtergronden.
Dit artikel introduceert een efficiënt en nauwkeurig niet-lineair programmeringskader dat hiërarchisch besluitvorming integreert met inverse kinematische planning en besturing door gebruik te maken van de zeldzaam toegepaste -norm voor complexe robotica-problemen.
Dit artikel introduceert Generative Predictive Control, een supervisie-geleerd raamwerk dat flow-matching gebruikt om robotbeleid te trainen voor dynamische, moeilijk te demonstreren taken door simulatie te combineren met een nauwe koppeling tussen generatieve modellering en voorspellende regeling.
Dit paper introduceert CAPS, een nieuwe methode die Vector Quantized Variational Autoencoders gebruikt om onbalans in imitatieleer voor autonoom rijden aan te pakken door zeldzame maar waardevolle data-prioriteit te geven, wat leidt tot aanzienlijke verbeteringen in de prestaties en generalisatie van het model.
Dit artikel demonstreert dat een eenvoudige aanpak van iteratief lineair kwadratisch regelen (iLQR) met MuJoCo-dynamica, zonder ingewikkelde sim-tot-real-aanpassingen, zeer effectief is voor real-time whole-body model-predictive controle van zowel quadrupede als humanoïde robots in de echte wereld.
Deze paper introduceert een grafgebaseerde online lidar-odometrie-methode die gebruikmaakt van meerdere overlappende subkaarten en retrospectieve verfijning om de nauwkeurigheid en consistentie te verbeteren ten opzichte van traditionele scan-kaartbenaderingen, terwijl het real-time prestaties behoudt.
In dit paper presenteren de auteurs FindAnything, een efficiënt open-wereld mapping-framework dat visueel-taalinformatie op objectniveau integreert in volumetrische submaps, waardoor robots real-time semantische en geometrische kaarten kunnen bouwen van grote, onbekende omgevingen met beperkte rekenkracht.
Dit artikel introduceert een robuustheidsbewuste methode voor het selecteren van gereedschap en het plannen van manipulatiebewegingen die, geleid door een energiegebaseerde robuustheidsmetriek, specifiek is ontworpen om verstoringen te weerstaan.