864 artigos
Este artigo apresenta uma abordagem para a condução autônoma que equilibra diversos riscos, como colisões e violações de regras, ao estender métricas de risco para cenários complexos definidos por Lógica Temporal Linear e reformular o problema de síntese de controle como um problema de alcançabilidade resolvido via programação linear.
Este trabalho apresenta o GenTact Toolbox, uma pipeline computacional que utiliza geração procedural de malhas, simulação orientada a tarefas e impressão 3D multimaterial para criar peles artificiais táteis de corpo inteiro personalizadas para a forma do robô e seu contexto de aplicação, superando as limitações de designs padronizados.
Este artigo propõe um modelo de difusão guiado por condições de contato que mapeia imagens RGB e dados de força para gerar imagens táteis de alta fidelidade, superando as limitações de simulações baseadas em modelos físicos e demonstrando superioridade em precisão e reconstrução de texturas.
Este artigo apresenta um quadro de manipulação consciente de dinâmica 3D que integra modelagem de mundo 3D e aprendizado de políticas por meio de tarefas de aprendizado auto-supervisionado, dotando os modelos de "previsão 3D" para melhorar significativamente o desempenho em tarefas com movimento em profundidade sem comprometer a velocidade de inferência.
Este artigo apresenta o conjunto de dados PeRoI, que captura interações pedestre-robô em diferentes contextos, e propõe o modelo NeuRoSFM, uma extensão do Modelo de Força Social que integra redes neurais para melhorar a previsão de movimentos pedestres e a navegação social em ambientes humanos.
O artigo propõe o LMPOcc, um framework plug-and-play que aprimora a previsão de ocupação 3D local ao integrar e atualizar continuamente mapas de ocupação globais como memórias de longo prazo, resultando em desempenho superior em benchmarks e na construção de mapas 3D escaláveis para ambientes externos.
Este trabalho propõe uma nova função de recompensa hierárquica e normalizada para Aprendizado por Reforço em direção autônoma, incorporando um objetivo consciente de risco baseado em uma função elipsoidal e conceitos de RSS, que reduz as colisões em 21% e melhora o progresso da rota em cenários de interseção não sinalizada.
Este artigo propõe um novo framework de previsão de trajetória para veículos autônomos que, ao formular o problema como uma regressão restrita guiada por limites viários e perfis de aceleração, garante previsões fisicamente viáveis e robustas, eliminando drasticamente trajetórias fora da pista mesmo em cenários adversos.
Este artigo propõe um framework de aprendizado de currículo automático que gera dinamicamente cenários de direção com complexidade adaptativa baseada nas capacidades do agente, superando as limitações de métodos fixos e de randomização de domínio para alcançar maior robustez, eficiência e generalização no treinamento de agentes de direção autônoma.
O artigo apresenta o C*, um algoritmo inovador de planejamento de trajetória de cobertura para ambientes desconhecidos que utiliza Grafos de Cobertura Rápida (RCG) para gerar trajetórias quase ótimas em tempo real, garantindo cobertura completa sem lacunas e superando métodos existentes em eficiência e adaptabilidade.
O artigo apresenta o RoboPARA, um novo framework baseado em modelos de linguagem que otimiza o planejamento de tarefas em robôs de dois braços através de geração de candidatos baseada em grafos de dependência e reotimização para paralelismo, validado pelo novo conjunto de dados X-DAPT e demonstrando superioridade em eficiência e confiabilidade em cenários complexos.
Este trabalho apresenta as Redes de Presimplificação (PSNs), um novo framework que supera as limitações atuais do aprendizado de sistemas físicos ao restaurar a geometria simplética em sistemas com dissipação e restrições holonômicas, como robôs quadrúpedes, através da elevação para uma variedade de dimensão superior baseada em estruturas de Dirac.
Este artigo apresenta um framework de aprendizado por imitação que, utilizando dados de movimento não rotulados e retargeting cinemático-dinâmico, permite que robôs quadrúpedes aprendam e executem de forma estável padrões de locomoção e transições de marcha distintos, controláveis por comandos de direção do usuário sem a necessidade de rotulagem manual ou regras de troca explícitas.
Este artigo apresenta e valida experimentalmente um quadro de controle bilateral de quatro canais sem sensores que permite teleoperação de alta velocidade com feedback de força em manipuladores de baixo custo, demonstrando que essa abordagem melhora significativamente o desempenho da aprendizagem por imitação em tarefas de manipulação complexas.
Este artigo apresenta o RVSG, uma abordagem baseada em Modelos de Linguagem Visual (VLM) desenvolvida em parceria com a PAL Robotics para testar robôs móveis autônomos industriais, gerando automaticamente cenários de comportamento humano que violam requisitos de segurança e funcionalidade em simulações, a fim de identificar falhas de forma mais segura, econômica e diversificada do que os testes tradicionais.
O artigo apresenta o LHM-Humanoid, um framework e conjunto de dados que utiliza aprendizado por reforço e destilação para treinar uma política unificada capaz de controlar humanoides em tarefas complexas de locomoção e manipulação em ambientes desordenados e diversos, superando métodos anteriores em robustez e generalização.
Este trabalho apresenta um novo framework híbrido que combina controle preditivo baseado em modelo (MPC) com uma rede neural treinada offline para ajustar dinamicamente os parâmetros de controle e prever trajetórias, permitindo que drones quadrotor realizem travessias ágeis e precisas de portões estreitos e recuperem-se rapidamente de perturbações severas, superando as limitações de métodos tradicionais e de aprendizado por reforço puro.
Este artigo apresenta um método de navegação para quadricópteros baseado em aprendizado por reforço que utiliza mapas de tempo de chegada como informação privilegiada e uma função de perda de alinhamento de guinada para superar obstáculos grandes, alcançando uma taxa de sucesso de 86% em simulações e validação bem-sucedida em 20 voos reais em ambientes externos complexos.
Este artigo propõe e avalia duas novas métricas, "Responsabilidade" e "Engajamento", que utilizam normalização temporal para quantificar a contribuição dos agentes na resolução e intensificação de conflitos em cenários de navegação de robôs sociais, demonstrando sua utilidade para avaliar a qualidade e a previsibilidade do comportamento cooperativo em interações humanas.
O artigo apresenta o "Diffusion-Based Impedance Learning", um framework que combina modelos generativos baseados em difusão com controle de impedância para permitir que robôs aprendam comportamentos de interação física ricos em contato, alcançando alta precisão e sucesso em tarefas complexas como inserção de pinos em furos através da adaptação online de rigidez e amortecimento.