864 artigos
Este artigo apresenta uma estrutura de controle geral baseada em Funções de Lyapunov para a regulação e rastreamento em espaço de tarefas de robôs macios subatuados com limites de atuadores, demonstrando superioridade em precisão e estabilidade em comparação com métodos existentes através de simulações em diversas plataformas.
Este artigo apresenta o conjunto de dados multimodal RFM-HRI, que registra as reações verbais e não verbais de usuários e suas preferências de recuperação diante de falhas em robôs médicos durante tarefas de recuperação de itens, fornecendo uma base fundamental para o desenvolvimento de métodos de detecção e recuperação de falhas em interações humano-robô.
O artigo apresenta o SCOUT, um método inovador para busca interativa de objetos em ambientes domésticos abertos que utiliza grafos de cena 3D e conhecimento relacional destilado de modelos de linguagem para superar as limitações de velocidade e precisão das abordagens anteriores, alcançando desempenho eficiente e generalizável tanto em simulação quanto em robôs físicos.
O artigo apresenta o TransMASK, um método auto-supervisionado que aprende uma máscara para transformar estados observados em representações latentes focadas apenas nos elementos relevantes para a tarefa, melhorando a generalização de robôs em novos ambientes sem exigir rótulos adicionais ou alterações na função de perda.
O artigo apresenta a Política Baseada em Contato (CGP), uma abordagem que permite manipulação destreza rica em contato ao prever o estado do robô e o feedback tátil para gerar alvos executáveis, suportando tanto sensores táteis densos quanto baseados em visão e sendo validada em tarefas de simulação e robótica física.
Este estudo apresenta o conjunto de dados NC-tALC, uma base de dados de trajetórias de alta fidelidade que registra 152 ensaios experimentais controlados para analisar o comportamento e as interações de veículos autônomos transitórios durante manobras de mudança de faixa obrigatória.
Este artigo propõe um novo framework de geração de caminhos sensível ao ambiente para manufatura aditiva robótica, que utiliza quatro algoritmos de planejamento de trajetória para projetar estruturas online em ambientes dinâmicos com obstáculos, avaliando seu desempenho através de métricas estruturais e computacionais para identificar os planejadores mais eficazes em cenários desafiadores.
Este artigo apresenta um sistema de visão e linguagem baseado em modelos de linguagem abertos e localmente implantados para robôs intérpretes médicos, que detecta atos de fala em conversas clínicas e gera gestos robóticos apropriados, alcançando alta precisão e superioridade em humanização em comparação com métodos anteriores.
O artigo apresenta o Safe-Night VLA, um modelo de manipulação multimodal que integra percepção térmica de infravermelho e filtros de segurança baseados em funções de barreira de controle para permitir que robôs operem com segurança em ambientes não estruturados, detectando objetos invisíveis à luz visível e garantindo execução robusta fora da distribuição de treinamento.
O artigo apresenta o EmboAlign, um framework sem dados que alinha modelos generativos de vídeo com restrições composicionais extraídas por modelos de visão e linguagem para selecionar os melhores rolagens e refinar trajetórias robóticas, aumentando significativamente a taxa de sucesso em tarefas de manipulação zero-shot sem necessidade de treinamento específico.
Este artigo apresenta um framework de dois estágios que integra otimização bayesiana com restrição e busca baseada em conflitos aprimorada por Lógica Temporal de Sinais (STL) para planejar trajetórias multi-robô escaláveis, seguras e que satisfazem especificações formais em ambientes incertos.
Este artigo apresenta a TDGC, uma arquitetura de política hierárquica para navegação de quadrúpedes que supera as limitações de simulação para realidade e instabilidades em ambientes desconhecidos ao conectar decisões de alto nível baseadas em pistas semânticas ou geométricas a um controle de marcha de baixo nível treinado por aprendizado por reforço, oferecendo interfaces explícitas para ajuste e diagnóstico.
O artigo apresenta o CDF-Glove, uma luva de teleoperação leve, de baixo custo e com feedback de força por cabo que melhora significativamente a qualidade das demonstrações para aprendizado por imitação, aumentando a taxa de sucesso em tarefas e reduzindo o tempo de conclusão em comparação com métodos sem feedback ou ensino cinestésico.
O artigo apresenta o HiLAM, um modelo hierárquico de ação latente que supera as limitações dos modelos existentes ao descobrir habilidades latentes de alto nível e estrutura temporal de longo prazo em vídeos sem ações, utilizando um modelo pré-treinado como extrator de baixo nível.
O artigo apresenta o OpenHEART, um framework robusto e eficiente em amostras que utiliza extração de características abstratas baseadas em amostragem (SAFE) e um estimador de informações de articulação (ArtIEst) para permitir que manipuladores com pernas abram de forma generalizada objetos articulados heterogêneos, como portas e gavetas, tanto em simulação quanto no mundo real.
Os pesquisadores desenvolveram o SILA Bot, um robô inspirado em lagartos de pequena escala que utiliza sinais proprioceptivos para estimar a profundidade do solo e ajustar seu padrão de movimento por meio de um controlador linear simples, permitindo locomoção adaptativa eficiente em terrenos naturais complexos.
Este artigo propõe o método TraD-RL, que integra conhecimento de especialistas e restrições dinâmicas via funções de barreira de controle e aprendizado curricular para superar os desafios de instabilidade e segurança no aprendizado por reforço aplicado a corridas autônomas de alto desempenho.
O artigo apresenta o DexEMG, um sistema de teleoperação leve e econômico que utiliza sinais de eletromiografia de superfície (sEMG) e uma rede neural para prever e mapear em tempo real os movimentos da mão humana para mãos robóticas dexterosas, demonstrando alta precisão e generalização sem necessidade de recalibração individual intensiva.
O artigo apresenta o AnyCamVLA, uma abordagem de adaptação de câmera *zero-shot* que ajusta virtualmente as observações visuais em tempo real para corresponder à configuração de treinamento, permitindo que modelos de Visão-Linguagem-Ação pré-treinados mantenham sua robustez a mudanças de ponto de vista sem necessidade de novos dados, ajuste fino ou modificações arquitetônicas.
Este artigo apresenta uma avaliação sistemática da geração de vistas sintéticas para reconhecimento de lugares em vídeo (VPR), demonstrando que, embora pequenas adições de novas vistas melhorem as estatísticas de reconhecimento, para adições maiores o tipo de imagem e a quantidade de vistas são mais determinantes do que a magnitude da mudança de perspectiva.