859 artigos
Este artigo apresenta um robô multirrasteiro equipado com antenas táteis de complacência gradativa que, ao mapear a deformação mecânica em estados de colisão, permitem navegação autônoma e recuperação de travamentos em ambientes confinados sem necessidade de visão ou informações globais.
Este artigo apresenta o Inverse Resistive Force Theory (I-RFT), um framework de aprendizado de máquina informado por física que integra a Teoria da Força Resistiva Granular com Processos Gaussianos para inferir com precisão as propriedades mecânicas de terrenos granulares a partir de forças de contato medidas durante locomoção natural, permitindo a otimização de design de pés e trajetórias de marcha para exploração autônoma.
Este artigo demonstra que uma única função de custo agnóstica a sujeitos e posturas, cujos pesos variam no tempo e priorizam a regulação da aceleração articular, pode prever com alta precisão os movimentos de alcance humanos, apoiando a existência de um princípio unificado de otimalidade para esse tipo de movimento.
O artigo apresenta o MWM, um modelo de mundo móvel que utiliza um treinamento em duas etapas e uma distilação consistente com a inferência para garantir previsões visualmente fiéis e coerentes com as ações, melhorando significativamente a navegação baseada em planejamento e a eficiência de inferência.
O artigo propõe o STEP, uma abordagem de aprendizado por reforço baseada em Transformers e condicionada a preferências que otimiza o empacotamento 3D online ao equilibrar dinamicamente a densidade de espaço e o tempo de execução, resultando em uma redução de 44% no tempo operacional sem comprometer a eficiência do espaço.
O artigo propõe um sistema unificado de planejamento conjunto humano-robô que opera em dois modos complementares — mitigação de incerteza por meio de diálogo ativo e inferência de intenção latente baseada em pistas espaciais — para reduzir significativamente os custos de interação e o tempo de execução em ambientes abertos.
Este artigo apresenta o MINT, um novo quadro de colaboração para drones que utiliza modelos de linguagem grandes para formular consultas ativas e resolver lacunas de conhecimento de forma eficiente, reduzindo a interação humana e aumentando as taxas de sucesso em tarefas complexas de busca e resgate.
Este artigo apresenta um quadro de controle unificado para manipuladores aéreos que combina um modelo aerodinâmico baseado em física com um estimador residual aprendido para compensar perturbações do vento e efeitos de proximidade com paredes, permitindo operações robustas de contato em ambientes desafiadores.
Este artigo preenche a lacuna entre o planejamento baseado em programação dinâmica e o aprendizado por reforço, desenvolvendo uma versão desrandomizada do RL para analisar matematicamente as condições de equivalência entre minimização de custos e maximização de recompensas, além de defender a otimização do "truecost" em vez de parâmetros arbitrários.
Este artigo apresenta um pipeline de pega end-to-end para manipuladores móveis que utiliza visão computacional e observações parciais para garantir uma execução segura e robusta em ambientes desordenados, alcançando uma taxa de sucesso de 90% em comparação com 30% de uma abordagem dependente de visão.
Este artigo propõe uma interface de observação consciente da tarefa que transforma entradas visuais brutas em representações semântico-geométricas padronizadas, melhorando significativamente a robustez das políticas visuomotoras a mudanças de aparência fora da distribuição sem a necessidade de re-treinamento.
Este artigo apresenta um método baseado em entropia de transferência para identificar ações robóticas influentes em interações humano-robô, demonstrando sua eficácia na análise de como a proximidade afeta o comportamento humano durante conversas com avatares controlados remotamente.
O RoboRouter é um framework de roteamento de políticas sem treinamento que melhora a manipulação robótica ao selecionar dinamicamente a melhor política existente para cada tarefa com base em representações semânticas e experiências históricas, alcançando taxas de sucesso superiores tanto em simulação quanto no mundo real sem exigir treinamento adicional.
O artigo apresenta o NaviDriveVLM, um framework decoplado que separa o raciocínio de alto nível de um grande modelo "Navigator" da geração de ações de um "Driver" leve, superando os modelos VLM existentes em planejamento de movimento para direção autônoma no benchmark nuScenes ao equilibrar eficiência de treinamento e capacidade de interpretação.
O artigo apresenta o DyQ-VLA, um framework de quantização dinâmica para modelos de Visão-Linguagem-Ação que, ao utilizar proxies cinemáticos em tempo real para ajustar dinamicamente a precisão dos bits, reduz significativamente a pegada de memória e acelera a inferência sem comprometer o desempenho.
Este artigo apresenta um quadro de autonomia puramente visual para navegação broncoscópica robótica que utiliza agentes hierárquicos de curto e longo prazo, juntamente com um crítico de modelo de mundo, para alcançar navegação autônoma precisa em modelos pré-clínicos sem depender de tecnologias de localização externas.
Este artigo apresenta um framework de treinamento único para locomoção omnidirecional de humanoides em escadas, que combina uma penalidade densa por passos inseguros com mapeamento de elevação LiDAR aprimorado por rede neural para garantir estabilidade e alta taxa de sucesso em simulações e no mundo real.
Este artigo propõe um quadro de otimização global orientado por trajetórias, inspirado no CMA-ES, para a modelagem unificada estrutural-hidrodinâmica de mecanismos subaquáticos subatuados e robôs macios, permitindo a identificação precisa de parâmetros acoplados e a reprodução de alta fidelidade do comportamento dinâmico em ambientes aquáticos sem necessidade de reajuste manual.
O artigo apresenta o RAPID, um novo framework de inferência colaborativa entre borda e nuvem para modelos Visão-Linguagem-Ação que otimiza a partição de tarefas ao considerar redundância e compatibilidade, resultando em um aumento de velocidade de até 1,73x com baixa sobrecarga.
O artigo apresenta o VORL-EXPLORE, uma abordagem híbrida de aprendizado e planejamento para exploração multi-robô em ambientes dinâmicos que utiliza uma estimativa compartilhada de navegabilidade para acoplar alocação de tarefas e execução de movimento, reduzindo contenções e adaptando-se a obstáculos não estacionários através de um mecanismo de arbitragem entre navegação global e políticas reativas.