687 artigos
Este artigo propõe um novo sistema de identificação de dinâmica veicular para corridas autônomas que combina uma rede CNN leve para estimar atrito a partir de imagens e um modelo S4 para capturar resíduais temporais, permitindo uma convergência rápida e precisa dos parâmetros de pneus mesmo em condições extremas.
Este trabalho propõe um framework que distila uma política expert Conditional Flow Matching em uma rede estudante de passo único via IMLE e uma função de perda baseada na distância de Chamfer, permitindo a geração de trajetórias multi-modais de alta frequência e precisão para controle robótico em tempo real.
Este trabalho introduz o "Open-World Motion Forecasting", um novo cenário e framework de ponta a ponta para previsão de trajetória que supera as limitações de taxonomia fixa e percepção perfeita ao aprender continuamente novas classes de objetos a partir de imagens de câmera, mitigando o esquecimento catastrófico através de pseudo-rotulagem filtrada por modelos de linguagem visual e amostragem de replay baseada em variância de características.
Este trabalho apresenta um método inovador de Descida de Gradiente Variacional de Stein (SVGD) pré-condicionado com restrições SE(3) para otimização de trajetórias ergódicas, permitindo que robôs gerem trajetórias de cobertura de superfícies complexas em nuvens de pontos com maior qualidade e eficiência computacional do que as abordagens existentes.
O artigo apresenta o SEA-Nav, um quadro de aprendizado por reforço que combina funções de barreira controlável diferenciáveis, replay adaptativo de colisões e restrições cinemáticas para permitir que robôs quadrúpedes naveguem com segurança e agilidade em ambientes densamente obstruídos com tempo de treinamento de apenas alguns minutos.
Este artigo apresenta um robô vascularizado capaz de realizar a "receptogênese", sintetizando sensores *in situ* a partir de reservas internas de fluido e irradiação UV para adaptar seu hardware físico em tempo real e melhorar seu desempenho em ambientes complexos.
O artigo apresenta o StyleVLA, um modelo de Visão-Linguagem-Ação (VLA) baseado em física e treinado com um grande conjunto de dados instrucionais, que supera modelos proprietários ao gerar trajetórias de direção autônoma não apenas seguras, mas também fisicamente viáveis e adaptadas a estilos de condução diversos.
O artigo apresenta o Context-Nav, uma abordagem sem treinamento específico que aprimora a navegação de instâncias em ambientes 3D ao utilizar alinhamentos texto-imagem densos para guiar a exploração global e realizar verificações espaciais conscientes do ponto de vista para validar candidatos, alcançando desempenho de ponta sem necessidade de ajuste fino.
O artigo apresenta o RuleSafe, um novo benchmark de manipulação articulada com tarefas não-Markovianas de longo horizonte, e propõe a VQ-Memory, uma representação temporal compacta baseada em VQ-VAE que melhora significativamente o planejamento e a generalização em modelos de manipulação robótica.
O artigo apresenta o NS-VLA, um novo framework neuro-simbólico que combina codificadores simbólicos, solucionadores e aprendizado por reforço online para superar as limitações de modelos VLA existentes, resultando em maior eficiência de dados, generalização zero-shot e capacidade de exploração expandida em tarefas de manipulação robótica.
Este estudo demonstra que, em cenários de forrageamento com orçamento de otimização limitado, o comportamento generalista pode superar os controladores especialistas evoluídos, indicando que a especialização de tarefas em enxames de robôs não garante necessariamente maior eficiência devido aos custos de cooperação ineficiente.
Este artigo propõe uma otimização de trajetória que integra implicitamente as restrições de tensão e o auto-envolvimento do cabo para manipulação de objetos planos, demonstrando que permitir a evolução do estado do cabo gera soluções mais eficientes do que decisões explícitas de roteamento que tendem a ser conservadoras.
O artigo apresenta o ReTac-ACT, uma política de aprendizado por imitação que funde visão e tato através de mecanismos de atenção cruzada, um mecanismo de controle baseado em propriocepção e um objetivo de reconstrução tátil, alcançando desempenho superior em tarefas de montagem de precisão com oclusão visual e folgas industriais rigorosas.
O artigo apresenta o SCDP, uma abordagem que utiliza um modelo de difusão condicionado a sensores e treinamento com observações mistas para aprender locomoção em humanoides apenas com dados onboard, alcançando desempenho comparável a métodos que usam estados privilegiados e demonstrando sucesso em robôs reais sem necessidade de estimativa de estado externa.
Este trabalho propõe um framework integrado de estimação e controle para robôs quadrúpedes de baixo custo, que utiliza apenas sensores proprioceptivos para gerar mapas de terreno, refinar a estimativa de estado e contato, e garantir locomoção segura através de funções de barreira de controle.
Este artigo propõe uma abordagem de controle de cobertura para sistemas multi-robôs em ambientes não convexos com múltiplos obstáculos, utilizando um Gráfico de Voronoi Generalizado (GVG) dividido em fases de balanceamento de carga ponderado e cobertura colaborativa para otimizar a alocação de robôs e garantir a convergência do processo.
O artigo apresenta o OTPL-VIO, um sistema de odometria visual-inercial estéreo robusto que utiliza descritores profundos livres de treinamento e correspondência baseada em transporte ótimo para associar linhas, superando limitações em cenas de baixa textura e mudanças bruscas de iluminação com maior precisão e estabilidade em tempo real.
O artigo apresenta o DRIFT, um modelo baseado em transformador que utiliza uma arquitetura de dupla representação para fundir características locais e globais de nuvens de pontos 4D de radar, superando os métodos existentes na detecção de objetos e estimativa de estrada livre em sistemas de direção autônoma.
O artigo apresenta o Robotic Scene Cloning (RSC), um método inovador que aprimora a adaptação zero-shot de robôs a novos cenários de manipulação ao editar trajetórias existentes por meio de prompts visuais, permitindo a geração de amostras consistentes e a transferência eficaz de políticas para ambientes reais sem necessidade de coleta extensiva de dados.
Os autores propõem um novo framework de controle baseado em pulsos neurais que restringe a energia livre, oferecendo uma solução eficiente, robusta e biologicamente plausível para a estimativa de estados e ação, com aplicações potenciais tanto na compreensão da cognição animal quanto na implementação de algoritmos de controle em hardware neuromórfico.