867 papers
Dit artikel presenteert een real-time, losgekoppeld GNSS-IMU-integratiesysteem op basis van Factor Graph Optimization dat, hoewel het ten koste gaat van de positieprecisie, de beschikbaarheid van de dienst in uitdagende stedelijke omgevingen significant verbetert ten opzichte van batch-methoden.
Dit artikel presenteert een real-time, strak gekoppelde GNSS-IMU-integratiemethode op basis van factorgraafoptimalisatie die causale staatsschatting mogelijk maakt via incrementele optimalisatie met vaste-lag marginalisatie, en valideert deze prestaties in een sterk verstedelijkt, GNSS-verslechterde omgeving met de UrbanNav-dataset.
Dit paper introduceert MEM, een multi-schaal geheugenarchitectuur voor robotbesturing die video- en tekstgeheugen combineert om robots in staat te stellen complexe, langdurige taken tot vijftien minuten lang uit te voeren en hun manipulatiestrategieën intelligent aan te passen.
Dit artikel introduceert UrbanHuRo, een tweelaags mens-robot samenwerkingskader dat door middel van geavanceerde optimalisatiealgoritmes de samenwerking tussen bezorgers en sensoren in slimme steden verbetert, wat resulteert in aanzienlijke stijgingen in sensordekking en bezorginkomsten.
Deze paper introduceert CoCo-TAMP, een hiërarchisch raamwerk dat grote taalmodellen gebruikt om algemene kennis over objectlocaties en -relaties te integreren in de toestandschatting, waardoor robots in deeltelijk waarneembare omgevingen hun plannings- en uitvoeringstijd aanzienlijk kunnen reduceren.
Dit paper introduceert HALyPO, een methode die Lyapunov-stabiliteit in de parameterruimte toepast om de rationaliteitskloof in multi-agent versterkingsleer te overbruggen en zo robuustere en generaliserende samenwerking tussen robots en mensen te garanderen.
RAGNav is een nieuw raamwerk dat door middel van een dual-basis geheugen en topologisch redeneren de kloof tussen semantische redenering en fysieke structuur overbrugt, waardoor state-of-the-art prestaties worden behaald in complexe multi-doel visueel-taal navigatietaken.
Dit artikel introduceert een bio-geïnspireerde, interactiegerichte hefbewegingsregeling (IO-WBC) die, door een combinatie van trajectgeoptimaliseerde referenties en versterkingslering, stabiel en compliant objecttransport met menselijke assistentie mogelijk maakt in ongestructureerde omgevingen, zelfs onder zware lasten en verstoringen.
Dit artikel introduceert C2C, een drie-laags hiërarchisch systeem dat visuele taalmodellen, multi-agent versterkende leer en whole-body controle combineert om mens-robot samenwerking bij het dragen van objecten te verbeteren door expliciete integratie van deliberatieve planning met stabiele fysieke uitvoering.
Dit onderzoek toont aan dat vooraf getrainde Vision-Language-Action-modellen verrassend goed bestand zijn tegen vergeten bij continu leren, waarbij eenvoudige ervaringenreplay vaak volstaat om nieuwe vaardigheden te verwerven zonder eerdere kennis te verliezen.
Dit paper introduceert IROSA, een nieuw framework dat foundation modellen en imitatielearning combineert om robots via natuurlijke taal instructies veilig en zonder fine-tuning vaardigheden aan te passen voor industriële taken zoals het invoegen van lagers.
Dit paper introduceert RVN-Bench, een nieuw, botsingsbewust meetinstrument voor veilige visuele navigatie van mobiele robots in onbekende binnenruimtes, gebaseerd op de Habitat 2.0-simulatie en HM3D-scènes.
Dit artikel introduceert een reactief raamwerk dat Probabilistic Mission Design combineert met reactieve circuits om online, exacte probabilistische inferentie mogelijk te maken voor het real-time reguleren van autonome agents in verkeersruimtes, waardoor de snelheid ten opzichte van eerdere methoden met orde van grootte wordt verbeterd.
Dit artikel presenteert een door DreamerV3 aangedreven raamwerk voor online continue versterkingsleer dat wereldmodel-residuen gebruikt om out-of-distribution gebeurtenissen te detecteren en een robotagent autonoom tijdens de inzet aan te passen aan onverwachte veranderingen.
Dit paper introduceert Sim2Sea, een kader dat de kloof tussen simulatie en realiteit overbrugt voor autonome maritieme navigatie in drukke wateren door middel van een GPU-versnelde simulator, een dual-stream spatiotemporeel beleid met veilige actiemaskering en gerichte domeinrandomisatie, wat resulteert in succesvolle zero-shot transfer naar een echt onbemand vaartuig.
Dit paper introduceert SaFeR, een methode voor het genereren van veiligheidskritieke scenario's voor autonoom rijden die door middel van token-resampling binnen een haalbaarheidsgebied een optimale balans bereikt tussen adversarische effectiviteit, fysieke haalbaarheid en gedragsrealisme.
Het artikel introduceert GarmentPile++, een robuust systeem dat visuele taalredenering en affordantieperceptie combineert om veilig en nauwkeurig één specifiek kledingstuk uit een rommelige stapel te verwijderen, wat een essentiële basis vormt voor downstream-taken zoals vouwen en ophangen.
Deze studie presenteert een schaalbaar, fysica-gebaseerd leerframework dat een heupexoskeletbesturingsbeleid volledig in simulatie traint zonder bewegingsopname-data, en aantoont dat dit beleid via beleidsdistillatie succesvol en zonder extra hardware-aanpassingen kan worden overgebracht naar de echte wereld om spieractivatie en gezamenlijke vermogen te verminderen.
Dit artikel introduceert PRAM-R, een adaptief raamwerk voor autonoom rijden dat een LLM-gestuurde modale routering en een hiërarchisch geheugen combineert om de rekenkosten te verlagen door onnodige sensoren uit te schakelen, terwijl de prestaties in complexe stedelijke omgevingen behouden blijven.
Het paper introduceert VANGUARD, een lichtgewicht, deterministisch hulpmiddel voor UAV's in GPS-loze omgevingen dat de schaal van beelden nauwkeurig herstelt door voertuigen als ankers te gebruiken, waardoor het de aanzienlijke ruimtelijke hallucinaties van huidige VLM-modellen oplost en veilige, metrische redenering mogelijk maakt.