864 artigos
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.
O artigo apresenta o GUIDE, um novo framework de exploração autônoma que combina inferência de grafos globais com tomada de decisão baseada em difusão para modelar espaços não observados e planejar trajetórias eficientes, superando os métodos existentes em velocidade de cobertura e redução de movimentos redundantes.
Este artigo propõe e valida, através de simulações e dados de drones, um sistema robusto para localização 3D de objetos distantes em tarefas de monitoramento de incêndios florestais, utilizando triangulação multivista ou filtros de partículas aplicados a sequências de segmentação de imagem ruidosas, sem depender de sensores especializados ou reconstrução completa da cena.
Este artigo apresenta uma abordagem que combina aprendizado por reforço em simulação com um refinamento guiado por sensores e demonstrações em hardware para permitir a manipulação dextrosa e robusta de ferramentas articuladas por mãos robóticas no mundo real, superando desafios como atrito não modelado e lacunas de simulação.
Os autores propõem um protocolo de coordenação peer-to-peer para equipes de robôs heterogêneos que utiliza Modelos de Linguagem (LLMs) e Lógica Temporal de Sinal (STL) para gerenciar solicitações de ajuda em linguagem natural e selecionar assistentes de forma descentralizada, minimizando o tempo total de conclusão de tarefas sem depender de um alocador central.
O artigo apresenta o EgoTraj-Bench, o primeiro benchmark do mundo real que alinha observações históricas ruidosas de visão em primeira pessoa com trajetórias futuras limpas, e propõe o modelo BiFlow, que utiliza um mecanismo de ancoragem ego-cêntrica para alcançar desempenho superior e maior robustez na previsão de trajetórias sob condições perceptivas imperfeitas.
Este trabalho apresenta o "CBS Protocol", uma abordagem que utiliza a Busca Baseada em Conflitos (CBS) como um protocolo centralizador para coordenar o movimento livre de colisões entre agentes heterogêneos com tarefas independentes, permitindo a integração de diversos solucionadores de planejamento de movimento individuais, desde algoritmos clássicos até métodos baseados em aprendizado de reforço.
O artigo apresenta o SBP, uma abordagem de aprendizado de políticas para manipulação móvel que utiliza um mapa latente 3D para integrar observações multiview e memória de longo prazo, superando significativamente os métodos baseados apenas em imagens ao permitir um raciocínio espacial e temporal global em tarefas complexas.
O artigo apresenta o MachaGrasp, um framework de ponta a ponta baseado em eigengrasps que gera articulações de mãos dexterosas para apreensão de objetos, demonstrando alta taxa de sucesso e generalização entre diferentes embodiments através de uma representação de morfologia e uma perda de articulação consciente da cinemática.
O artigo apresenta o CBF-RL, um framework que integra Funções de Barreira de Controle (CBFs) durante o treinamento de Aprendizado por Reforço para internalizar restrições de segurança na política aprendida, permitindo a implantação segura em robôs reais, como o Unitree G1, sem a necessidade de filtros de segurança em tempo real.
Este artigo propõe as Funções de Barreira de Hiperplano (H-CBFs), que otimizam a orientação do hiperplano de separação entre o agente e o obstáculo para encontrar uma função de barreira menos conservadora do que as abordagens baseadas apenas em distância, garantindo segurança com maior liberdade de controle em sistemas dinâmicos complexos.