688 papers
Het paper introduceert GST-VLA, een 3D diepte-bewust Vision-Language-Action-model dat anisotrope 3D-Gaussische ruimtelijke tokens en gestructureerde redeneerprocessen gebruikt om de precisie en prestaties van robotacties aanzienlijk te verbeteren.
Dit artikel presenteert een nieuw risicogebonden bewegingsplanningskader dat een diep stochastisch Koopman-operatormodel en een hiërarchische verificatiemethode op basis van som-van-kwadraten (SOS) programmeert combineert om voor robotmanipulators in onzekere omgevingen veilig en efficiënt trajecten te genereren met formeel gegarandeerde botsingsrisicobeperkingen.
Dit artikel introduceert een unificerend raamwerk voor latente wereldmodellen in geautomatiseerd rijden dat een gestructureerde taxonomie, een evaluatiekader en toekomstige uitdagingen biedt om de overgang van open-lus naar gesloten-lus prestaties te verbeteren.
Dit artikel introduceert PM-Nav, een prioriteitskaart-gestuurde benadering voor embodied navigation in functionele gebouwen die, door het gebruik van semantische prioriteitskaarten en hiërarchische prompt-templates, aanzienlijke verbeteringen in navigatieprestaties bereikt ten opzichte van bestaande methoden.
DexHiL is een nieuw mens-in-de-lus-framework dat de prestaties van vision-language-action-modellen voor dexterous manipulatie aanzienlijk verbetert door gecoördineerde menselijke interventies op arm en hand te integreren, wat leidt tot een gemiddelde stijging van 25% in slagingspercentages ten opzichte van traditionele offline-finetuning.
Dit artikel introduceert een lichtgewicht besturingsarchitectuur voor segmentale robots met zes of meer poten die ruw terrein navigeert door een hybride aanpak te combineren die zowel direct contact met de grond als fictieve locomotie mogelijk maakt.
Dit paper introduceert SPAN-Nav, een end-to-end fundamenteel model dat robuuste 3D-ruimtelijke bewustzijn in visueel-taal navigatie mogelijk maakt door middel van een compacte ruimtelijke token, multi-task training en een nieuw dataset met 4,2 miljoen annotaties, wat leidt tot state-of-the-art prestaties in diverse scenario's.
ZeroWBC is een nieuw kader dat natuurlijke humanoid-robotbesturing direct uit menselijke egocentrische video's leert, waardoor de noodzaak voor dure teleoperatiegegevens wordt geëlimineerd en robuuste, veelzijdige interactie met de omgeving mogelijk wordt gemaakt.
Dit paper introduceert STONE, een schaalbaar, multi-modaal dataset voor off-road robotnavigatie dat automatische, handmatige annotatie-vrije 3D-traverseerbaarheidskaarten en gesynchroniseerde sensordata (LiDAR, camera's en radar) biedt voor diverse terreinen en omstandigheden.
Deze paper introduceert een robuust raamwerk voor spatiotemporele bewegingsplanning in autonoom racen met meerdere agenten, dat topologische gap-identificatie en versnelde MPC combineert om in real-time veilige inhaalmanoeuvres te plannen en de prestaties aanzienlijk te verbeteren.
WESPR is een snel framework dat geometrische waarneming en lokale weergegevens integreert om windvelden te voorspellen, waardoor quadcopters proactief veilige en energiezuinige routes kunnen plannen en hun besturing kunnen aanpassen voor robuust vliegen in winderige omgevingen.
Dit artikel introduceert een schaalbaar simulatiekader dat een volledig gespierd menselijk model combineert met reinforcement learning om interactieve robotica kwantitatief te analyseren en te co-optimiseren, waardoor interne biomechanische metrics zoals spierkrachten direct toegankelijk worden voor het ontwerp van systemen zoals exoskeletten.
Het artikel introduceert TRIP-Bag, een draagbaar en plug-and-play teleoperatiesysteem in een koffer dat niet-geëxploiteerde gebruikers in staat stelt om hoogwaardige manipulatiegegevens voor robotlering snel en betrouwbaar te verzamelen in uiteenlopende omgevingen zonder een embodiment-kloof.
Dit paper introduceert MORLAX en MO-Playground, een GPU-natief systeem dat multi-objectieve versterkende leer voor robotica versnelt met 25-270 keer ten opzichte van CPU-benaderingen, waardoor Pareto-optimale beleidsstrategieën voor complexe taken zoals mensachtig lopen binnen minuten kunnen worden geleerd.
RAE-NWM is een nieuw navigatiemodel dat dynamiek in een dichte visuele representatieruimte modelleert in plaats van in een gecomprimeerde latente ruimte, waardoor de structurele stabiliteit en actie-accuraatheid voor visuele navigatie worden verbeterd.
Deze paper introduceert een nieuw raamwerk voor visueel-taalnavigatie dat gebruikmaakt van webvideo's en impliciete geometrische representaties om agents te trainen in realistische omgevingen, wat leidt tot state-of-the-art prestaties en robuuste zero-shot navigatie.
Dit paper introduceert See, Plan, Rewind (SPR), een vooruitgangsgevoelig vision-language-action-framework dat robuuste robotmanipulatie bereikt door taken te onderbreken in verifieerbare mijlpalen en automatisch terug te keren naar een herstelpunt bij fouten, wat resulteert in state-of-the-art prestaties en generalisatie op uitdagende benchmarks.
Het paper introduceert CORAL, een schaalbaar raamwerk voor robotleren dat multi-task interferentie en catastrofale vergeetachtigheid oplost door een enkele Vision-Language-Action-backbone te combineren met lichtgewicht LoRA-experts per taak, wat leidt tot superieure prestaties op zowel simulatie- als echte robotplatforms.
NLiPsCalib is een efficiënt kalibratiekader dat gebruikmaakt van Near-Light Photometric Stereo en controllable lichtbronnen om de 3D-reconstructie van gebogen visuo-tactiele sensoren te verbeteren zonder dure of arbeidsintensieve procedures.
SPAARS is een curriculumleerframework voor offline-naar-online versterkingsleer dat veilig online verkenning eerst beperkt tot een laagdimensionale latente ruimte om vervolgens naadloos over te schakelen naar de ruwe actieruimte, waardoor de prestatieplafond van decoder-bottlenecks wordt doorbroken en aanzienlijk betere sample-efficiëntie en prestaties worden bereikt.