3836 artigos
O artigo propõe uma infraestrutura legal distribuída composta por cinco camadas interligadas — incluindo identidades de agentes autosssoberanas, sistemas de restrição cognitiva e mecanismos de adjudicação descentralizada — para estabelecer a governança, a responsabilidade e a interoperabilidade jurídica necessárias em uma web de agentes de inteligência artificial.
O artigo apresenta o OPTED, um conjunto de dados aberto e pré-processado de imagens oculares para classificação de tracoma, construído na África Subsaariana utilizando um pipeline automatizado de quatro etapas baseado no modelo de segmentação zero-shot SAM 3 para extrair e padronizar regiões de interesse.
O artigo apresenta o VertiAdaptor, um novo framework de adaptação online que integra elevação e representações semânticas para modelar a cinodinâmica de veículos autônomos em terrenos off-road não estruturados, permitindo uma adaptação rápida e precisa a ambientes desconhecidos que resulta em maior precisão de previsão e velocidade de adaptação.
Este estudo demonstra que um modelo híbrido de aprendizado de máquina combinando Bi-LSTM e GRU alcançou uma precisão de 97,07% na detecção da Doença Arterial Coronariana, superando métodos diagnósticos tradicionais e oferecendo uma ferramenta robusta para melhorar os resultados clínicos.
Este artigo apresenta uma sistematização abrangente do conhecimento sobre Identidades Digitais Soberanas (SSDI), identificando seis desafios principais que impedem sua adoção em escala, analisando a predominância de soluções baseadas em blockchain na literatura e catalogando aplicações reais para orientar pesquisas futuras e a transição de sistemas centralizados para modelos soberanos.
O artigo apresenta o CoPCS, uma abordagem baseada em aprendizado que utiliza transformadores de grafos heterogêneos para permitir o planejamento colaborativo e sincronizado em tempo real entre equipes de UAVs e UGVs, superando restrições operacionais como energia e terreno para otimizar missões de grande escala.
O artigo propõe o SELSM, um framework sem treinamento que aprimora a capacidade de raciocínio lógico de modelos de linguagem locais para tarefas clínicas baseadas em FHIR, superando limitações de privacidade e dados ao alcançar uma taxa de sucesso de 100% na conclusão de cadeias de tarefas.
O artigo apresenta o SysNav, um sistema de navegação de objetos em três níveis que integra modelos de linguagem e visão para permitir a execução robusta e eficiente de tarefas de navegação em grande escala em ambientes reais complexos, demonstrando sua eficácia e generalização em múltiplos robôs físicos e benchmarks de simulação.
O artigo apresenta o PaQ-DETR, um framework unificado que supera as limitações de consultas fixas em modelos DETR ao gerar consultas dinâmicas baseadas em padrões latentes compartilhados e empregar uma estratégia de atribuição consciente da qualidade para melhorar a adaptabilidade, o equilíbrio de supervisão e a precisão na detecção de objetos.
O artigo apresenta o T2Nav, um sistema de navegação zero-shot que integra topologia algébrica e memória de grafos temporais para permitir que agentes autônomos naveguem de forma eficiente e adaptativa em ambientes desconhecidos, realizando detecção de loops e planejamento de caminhos sem necessidade de treinamento prévio.
O artigo apresenta o SurgSync, um framework e conjunto de dados de coleta de dados multimodais sincronizados para robótica cirúrgica, implementado no dVRK com sensores avançados e validado em tarefas de treinamento ex-vivo para superar a escassez de dados de treinamento necessários à inteligência artificial em cirurgia.
O artigo propõe o DLRMamba, um método que combina um modelo de espaço de estado seletivo bidimensional de baixo posto com uma estratégia de destilação consciente da estrutura para otimizar a detecção de objetos por fusão multiespectral em dispositivos de borda, alcançando um equilíbrio superior entre eficiência computacional e precisão.
Este artigo apresenta o LIPP (Planejamento de Caminho Informativo Sensível à Carga), uma generalização do planejamento clássico que modela o acoplamento entre a coleta de amostras físicas e o aumento do custo energético, formulando o problema como um programa quadrático inteiro misto para otimizar rotas e ordens de visita sob restrições de energia, demonstrando assim maior eficiência energética em comparação com métodos tradicionais.
Este trabalho apresenta o ESM-YOLO+, uma rede leve de fusão de imagens visíveis e infravermelhas que utiliza um módulo de fusão de atenção aprimorado por máscara e um aprimoramento estrutural durante o treinamento para detectar com alta precisão alvos pequenos em imagens de sensoriamento remoto, superando métodos anteriores com menor complexidade computacional.
O artigo apresenta o MindfulAgents, um sistema multiagente baseado em modelos de linguagem que personaliza sessões de meditação mindfulness, demonstrando em estudos que essa abordagem aumenta significativamente o engajamento, a autoconsciência e a redução do estresse dos usuários.
Este artigo apresenta um novo framework de segmentação de navegabilidade para robôs indoor que combina imagens RGB e dados de profundidade esparsos em um paradigma de poucos exemplos, utilizando aprendizado contrastivo negativo e um módulo de atenção de profundidade para superar as limitações de métodos anteriores na detecção de obstáculos finos e alcançar desempenho superior em cenários com dados limitados.
Este artigo apresenta um modelo de interação robô-terreno baseado em medições experimentais de um robô hexápode em areia inclinada, que identifica o atraso na ancoragem e o deslizamento como principais causas de falha, permitindo a construção de diagramas de fase para estimar riscos e otimizar a locomoção em terrenos granulares declivosos.
O artigo apresenta o LLM2SMT, um estudo de caso em que um agente de codificação baseado em LLM construiu, sem nenhuma intervenção humana, um solver SMT completo e competitivo para a lógica QF_UF, implementando o algoritmo de fechamento de congruência de Nieuwenhuis-Oliveras e emitindo provas em Lean.
O artigo apresenta o HIERAMP, um método que melhora a destilação de datasets gerativos ao explorar a hierarquia semântica inerente às imagens, utilizando o modelo autoregressivo de visão (VAR) para amplificar seletivamente as características discriminativas em diferentes escalas, desde a estrutura global até os detalhes finos.
Este artigo apresenta um Observador Não Linear de Ganho Adaptativo (AGNO) que estima com precisão e robustez os torques e forças de interação humana com UAVs para transporte de cargas, utilizando o modelo dinâmico completo sem a necessidade de sensores adicionais e superando o desempenho do Filtro de Kalman Estendido.