864 artigos
Este artigo propõe um novo quadro cooperativo bidirecional para o pouso de UAVs, no qual a plataforma móvel ativa inclina-se para criar uma atitude terminal ideal, permitindo a sincronização paralela e ágil entre o veículo e a plataforma, superando assim as limitações dos métodos convencionais de "rastrear e descer".
O artigo apresenta o EmboTeam, um framework inovador para planejamento de tarefas em equipes de robôs heterogêneos que integra raciocínio de modelos de linguagem (LLMs), planejamento clássico baseado em PDDL e árvores de comportamento reativas para melhorar significativamente a execução de tarefas de longo prazo em ambientes domésticos.
O artigo apresenta o MOSAIC, um framework de autonomia escalável que permite a um único operador supervisionar equipes heterogêneas de robôs em missões de exploração científica, demonstrando alta eficiência e robustez em um experimento de campo análogo ao lunar mesmo diante de falhas de hardware.
O artigo apresenta o DDP-WM, um modelo de mundo eficiente que utiliza a previsão de dinâmicas desentrelaçadas para decompor a evolução do estado em interações físicas primárias e atualizações de contexto secundárias, alcançando uma aceleração de inferência de 9 vezes e melhorias significativas no sucesso de planejamento em comparação com modelos densos baseados em Transformers.
Este trabalho apresenta o novo problema de Manipulação Exploratória e Focada (EFM), estabelecendo o benchmark EFM-10 e uma estratégia de Percepção Ativa Bimanual (BAP) que utiliza um braço para visão ativa e outro para sensoriamento de força, validando sua eficácia através de um conjunto de dados e aprendizado por imitação para superar oclusões visuais em tarefas de manipulação desafiadoras.
O artigo apresenta o MAE-Select, uma nova estrutura que otimiza dinamicamente a seleção de viewpoints em sistemas robóticos de câmera única, utilizando representações de um autoencoder mascarado pré-treinado para superar as limitações de configurações fixas e, em alguns casos, superar até mesmo setups multicâmera.
Este trabalho propõe uma abordagem de Cinemática Inversa em Malha Fechada (CLIK) em domínio infinito-dimensional para robôs macios, utilizando redes neurais de operadores diferenciais para aprender mapeamentos de atuação para forma e permitir o controle de tarefas em todo o corpo do robô.
Este artigo apresenta um framework de cooperação entre um robô escorpião e um rover que utiliza interações proprioceptivas para mapear online a resistência do solo e estimar riscos de travessia, permitindo uma navegação segura em terrenos deformáveis análogos a ambientes planetários.
Este trabalho apresenta o LACE, um framework de aprendizado baseado em redes neurais que modela a dinâmica temporal suave e estável da covariância de medições GNSS para carros autônomos de corrida, garantindo estimativas de localização mais precisas em ambientes desafiadores.
Este artigo propõe um sistema de reconhecimento de gestos multimodal e interpretável, que funde dados de sensores inerciais e capacitivos por meio de uma estratégia de razão de verossimilhança logarítmica para teleoperação robusta e eficiente de drones e robôs móveis, superando as limitações de métodos baseados apenas em visão.
Este artigo propõe um método baseado em aprendizado por reforço que utiliza mapeamento UV harmônico e convoluções agrupadas escaladas para planejar trajetórias de cobertura eficientes na limpeza de superfícies com objetos deformáveis, validado experimentalmente em um braço robótico Kinova Gen3.
Este artigo propõe um framework de controle seguro para sistemas robóticos que integra um modelo linearizado via operador de Koopman aprendido a partir de dados com o Algoritmo de Conjunto Seguro (SSA) em um único programa quadrático, permitindo o controle de corpo inteiro com rastreamento preciso e evasão de obstáculos em tempo real.
Este artigo propõe a estratégia de controle cooperativo DIACC, baseada em Aprendizado por Reforço Multiagente, que mitiga o congestionamento em tráfego misto através de módulos de percepção de interação local e global, um design de recompensa adaptativo e um mecanismo de refinamento de segurança para otimizar a eficiência do tráfego em cenários de gargalo.
O artigo apresenta o GAIDE, um amostrador neural informado que utiliza mascaramento de atenção baseado em grafos para incorporar a estrutura espacial e a configuração do robô, melhorando significativamente a eficiência e a taxa de sucesso do planejamento de movimento em comparação com métodos existentes.
O artigo apresenta o framework Act-Observe-Rewrite (AOR), no qual um agente de linguagem multimodal melhora políticas de manipulação robótica sintetizando e reescrevendo código executável entre tentativas com base em observações visuais e falhas estruturadas, alcançando alto desempenho em tarefas sem necessidade de demonstrações, engenharia de recompensas ou atualizações de gradiente.
Este artigo apresenta um sistema de navegação autônoma totalmente independente, executado em hardware de borda de baixo consumo sem GPU ou conectividade de rede, que permite a um robô quadrúpede Boston Dynamics Spot navegar com sucesso 100% das vezes em minas subterrâneas escuras e sem GPS, utilizando apenas percepção geométrica e planejamento de caminho sem necessidade de treinamento específico do ambiente.
O artigo apresenta o PTLD, uma abordagem inovadora de destilação de latentes táteis privilegiados que permite o aprendizado de habilidades de manipulação dextrosa no mundo real sem simulação tátil, utilizando dados de sensores privilegiados para melhorar significativamente as políticas de manipulação treinadas em simulação.
O artigo propõe o Many-RRT*, um algoritmo de planejamento de trajetória que estende o RRT*-Connect para gerar múltiplas soluções de cinemática inversa em paralelo, garantindo maior taxa de sucesso e trajetórias de melhor qualidade para manipuladores seriais de alto grau de liberdade em ambientes complexos.
O artigo apresenta o MEMO, um sistema que supera as limitações de políticas neuro-simbólicas ao transformar correções locais de usuários em habilidades generalizadas, permitindo que robôs aprendam e adaptem-se a novas tarefas de manipulação através de um livro de habilidades recuperável e enriquecido por feedback humano.
Este artigo apresenta um framework de estimação de estado de carga distribuído e descentralizado, baseado em visão e filtragem de informação estendida, que permite o transporte cooperativo de cargas por múltiplos UAVs em ambientes sem GPS, demonstrando robustez a falhas de sensores e comunicações através de simulações no Gazebo.