4545 papers
Dit artikel introduceert Robodimm, een softwareframework dat geautomatiseerde actuatordimensionering mogelijk maakt voor schaalbare modulaire robots door gebruik te maken van KKT-gebaseerde omgekeerde dynamica en een tweestapsvalidatieproces om de complexiteit van gekoppelde kinematische ketens en massa-effecten aan te pakken.
Dit paper introduceert CAR, een raamwerk dat via een gedeelde latente ruimte en een Transformer-encoder snelle kinodynamische aanpassing mogelijk maakt voor heterogene autonome voertuigen met minimale data, waardoor de voorspellingsfout aanzienlijk wordt verminderd.
Het paper introduceert LEAD, een methode die het 'no-recovery'-frequentieprobleem bij langdurige redenering in grote taalmodellen oplost door korte-termijn toekomstvalidatie en het samenvoegen van overlappende rollouts te gebruiken, waardoor de o4-mini-model prestaties op complexe puzzels aanzienlijk verbeteren.
Het paper introduceert PICS, een zelftoezicht-gebaseerde methode die gebruikmaakt van een Interaction Transformer met maskergestuurde Mixture-of-Experts en adaptieve α-blending om coherentie en fysieke consistentie te behouden bij het parallelle compositen van objecten in afbeeldingen.
Deze studie toont aan dat bij het detecteren van fouten in LLM-responsen, middelmatig lange uitleg bij onjuiste antwoorden de nauwkeurigheid van gebruikers verbetert, terwijl de juistheid van de LLM-respons de belangrijkste factor blijft voor kritische evaluatie.
Dit voorlopige paper stelt een raamwerk voor waarin materialen, kleuren en texturen niet als decoratie maar als interactiesignalen worden gebruikt om de verwachtingen van gebruikers over de rol en capaciteiten van robots te verduidelijken en zo de legibiliteit te vergroten.
Dit paper introduceert 'notational animating', een interactieve aanpak waarbij animators handgeschreven notaties over statische tekeningen gebruiken die door geautomatiseerde methoden worden vertaald naar animatie-sleutelbeelden, ondersteund door een systeem dat deze notaties formaliseert, parameters verfijnt en een feedbacklus biedt om ambiguïteit op te lossen.
Dit artikel introduceert een gedistribueerde juridische infrastructuur bestaande uit vijf lagen, waaronder zelfsoevereine agentidentiteiten en decentrale geschillenbeslechting, om de rechtsgeldigheid en verantwoording te waarborgen in de opkomende, door AI-agenten gedomineerde webomgeving.
Dit paper introduceert OPTED, een open-source, voorverwerkte dataset voor trachoomclassificatie die is gegenereerd met behulp van een reproduceerbare zero-shot SAM 3-pijplijn om de schaarsheid aan data uit de zwaarst getroffen regio's aan te pakken.
Het paper introduceert VertiAdaptor, een online adaptief raamwerk dat hoogtedata en semantische informatie combineert om autonome voertuigen in staat te stellen hun kinodynamische modellen in real-time aan te passen aan ongestructureerd terrein, wat leidt tot een aanzienlijke verbetering in voorspellingnauwkeurigheid en aanpassingssnelheid.
Deze studie toont aan dat een hybride machine learning-model, gecombineerd uit Bi-LSTM en GRU, Coronair Arterieziekte met een nauwkeurigheid van 97,07% kan detecteren, wat superieur is aan traditionele diagnostische methoden.
Dit paper biedt een systematische overzichtsstudie van zelfsoevereine digitale identiteiten (SSDI) die zes kernuitdagingen voor de adoptie identificeert, de huidige focus op blockchain-oplossingen analyseert en concludeert dat zelfsoevereiniteit in de praktijk een spectrum is in plaats van een binair kenmerk.
Dit paper introduceert CoPCS, een leer-gebaseerde aanpak die een heterogeen graftransformator en een transformer-decoder combineert om gelijktijdige en gesynchroniseerde planning voor UAV-UGV teams mogelijk te maken, waardoor operationele beperkingen zoals energie en terrein worden overwonnen en de teamprestaties aanzienlijk worden verbeterd.
Dit paper introduceert SELSM, een trainingsvrij framework dat privacybewuste, lokaal inzetbare medische agenten versterkt door state-gebaseerde logische vaardigheden te distilleren, waardoor de prestaties van foundation modellen op FHIR-gebaseerde klinische taken aanzienlijk worden verbeterd zonder dat er gevoelige patiëntgegevens nodig zijn.
Dit paper introduceert SysNav, een drie-niveau systeem dat Vision-Language Models en hiërarchische planning combineert om robuuste, cross-embodiment objectnavigatie in complexe real-world omgevingen mogelijk te maken.
Het paper introduceert PaQ-DETR, een nieuw objectdetectie-framework dat de beperkingen van vaste queries oplost door dynamische, beeldspecifieke queries te genereren op basis van gedeelde patronen en een kwaliteitsbewuste toewijzingstrategie, wat leidt tot significante prestatieverbeteringen op diverse benchmarks.
T2Nav is een zero-shot navigatiesysteem dat algebraïsche topologie en tijdsgebonden grafgeheugen combineert om autonome agenten in staat te stellen zich zonder extra training aan te passen aan onbekende omgevingen, waarbij het robuuste obstakelontwijking, betrouwbare lusdetectie en efficiënte padplanning mogelijk maakt op basis van visuele referentieafbeeldingen.
Dit paper introduceert SurgSync, een tijdgesynchroniseerd raamwerk en dataset voor chirurgische robotica dat multi-modale data verzamelt via een dVRK-platform met geavanceerde sensoren en post-processing tools om de ontwikkeling van AI voor geautomatiseerde chirurgie te ondersteunen.
Het paper introduceert DLRMamba, een efficiënte methode voor objectdetectie in multispectrale beelden op randapparatuur die parameterredundantie in Mamba-modellen oplost door middel van een laag-rang 2D selectieve scan en structurele distillatie, waardoor een superieur evenwicht tussen rekenefficiëntie en detectienauwkeurigheid wordt bereikt.
Dit paper introduceert LIPP, een load-aware informatieve padplanningsmethode die het koppelen van monstercollectie en energiekosten expliciet modelleert via een MIQP, waardoor robots in fysieke bemonsteringsmissies meer data kunnen verzamelen binnen een energiebudget dan traditionele methoden.