864 artigos
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.
Este artigo apresenta um método pioneiro que utiliza Aprendizado por Reforço Distribucional e Imitação Learning para treinar políticas visuomotoras de manipulação móvel que incorporam sensibilidade ao risco ajustável em tempo real, permitindo que robôs tomem decisões mais seguras e robustas em ambientes dinâmicos e não mapeados.
O artigo apresenta o ELLIPSE, um método de aprendizado evidencial que gera waypoints e distribuições de incerteza robustas para robôs móveis em ambientes abertos, combinando aumento de domínio leve e recalibração pós-hoc para mitigar a superconfiança em estados não vistos e melhorar a segurança em tarefas críticas como a previsão de waypoints em escadas.
O artigo apresenta uma formalização consciente de riscos para avaliar trajetórias de sistemas sob incerteza, modelando explicitamente a influência do sistema no ambiente e estabelecendo uma ordem de preferência consistente para lidar com objetivos múltiplos e hierárquicos, conforme demonstrado em um exemplo de condução autônoma.
O artigo apresenta o RoboMME, um benchmark padronizado em larga escala para avaliar e avançar modelos de Visão-Linguagem-Ação (VLA) em tarefas robóticas de longo prazo dependentes de histórico, além de propor uma análise sistemática de 14 variantes desses modelos com mecanismos de memória.
Este trabalho apresenta uma arquitetura integrada de controle e software que permite a inspeção não destrutiva autônoma e por contato em ambientes industriais não estruturados, utilizando um quadricóptero comercial Flyability Elios 3 equipado com um sensor de ultrassom e operando exclusivamente com base em sensores a bordo.
Este artigo apresenta o GIANT, uma abordagem inovadora para planejamento de trajetória multiagente que integra planejamento global com redes neurais gráficas atencionais para navegação local, demonstrando superioridade em taxas de sucesso e eficiência na evasão de colisões em ambientes dinâmicos complexos em comparação com métodos existentes.
Este trabalho apresenta um fluxo de trabalho que utiliza Modelos de Linguagem Grandes (LLMs) assistidos por especialistas para gerar bindings Python para a biblioteca de robótica OMPL, demonstrando que essa abordagem reduz o esforço manual, mitiga erros comuns e produz wrappers com desempenho comparável a soluções legadas.
Este trabalho propõe um pipeline para estacionamento autônomo que seleciona vagas prevendo explicitamente as intenções de outros agentes a partir de seu histórico de movimento, demonstrando em simulações que essa abordagem supera métodos existentes ao melhorar a precisão da previsão, a aceitação social e a conclusão da tarefa.
O artigo apresenta o LEGS-POMDP, um sistema modular baseado em processos de decisão de Markov parcialmente observáveis que integra linguagem, gestos e observações visuais para permitir que robôs localizem objetos em ambientes abertos e parcialmente observáveis, superando abordagens anteriores ao modelar explicitamente a incerteza sobre a identidade e a localização do alvo.
Os autores apresentam o GenTact-Prox, uma pele artificial totalmente impressa em 3D que integra sensores táteis e de proximidade para antecipar contatos e mapear o espaço perissensorial, permitindo a operação online de robôs em ambientes dinâmicos.
Este artigo propõe um framework de otimização baseado no algoritmo NSGA-III para gerar padrões de marcha em robôs modulares que equilibram a redução da carga nas juntas (evitando falhas mecânicas) com a manutenção da mobilidade e estabilidade em diversos terrenos.
Este artigo apresenta e valida um sistema de troca de ferramentas autoalinhante, baseado em geometrias passivas e uma estação rotativa compacta, que permite a reconfiguração autônoma e confiável de robôs modulares ao compensar erros de posicionamento sem a necessidade de sensores de força complexos.
Este estudo demonstra que a estimativa eficaz de terrenos em robôs de duas rodas para exploração de tubos de lava lunares pode ser alcançada com alta precisão (>98%) analisando a variância dos dados de inclinação (pitch) em janelas curtas, permitindo assim a troca adaptativa de políticas de controle especializadas.
Este estudo propõe um método de exploração descentralizado para equipes de robôs que combina auto-organização dinâmica e a seleção autônoma de alvos baseada em modelos de linguagem de grande escala (LLMs), validado em simulações com centenas de robôs para superar as limitações de sensores individuais e a dependência de controle centralizado.
Este artigo propõe e valida um quadro de controle baseado em dados para robôs peixes magnéticos, combinando um modelo de dinâmica forward treinado em dados reais, controle preditivo baseado em gradiente para navegação precisa e aprendizado por imitação para viabilizar a implementação em tempo real.
Este artigo propõe o Diffusion Policy through Conditional Proximal Policy Optimization, um método eficiente que permite o treinamento de políticas de difusão em cenários de aprendizado por reforço on-policy ao alinhar a iteração da política com o processo de difusão, eliminando a necessidade de cálculos complexos de verossimilhança e permitindo a regularização por entropia, resultando em desempenho superior em diversas tarefas de robótica.
Este artigo investiga as capacidades de generalização de modelos fundacionais corporativos para assistência corretiva em conjunto aberto, demonstrando através de dados sintéticos no Overcooked que o desempenho ideal requer conjuntos de dados diversificados que abranjam fundamentação multimodal, inferência de defeitos e exposição a cenários variados.
O artigo propõe o DRAIL, um framework de aumento de dados que separa regiões relevantes e irrelevantes da tarefa para melhorar a generalização da aprendizagem por imitação em manipulação agrícola, demonstrando maior robustez e sucesso em tarefas de colheita e seleção de vegetais sob condições visuais não vistas.