ロボティクス

Увійти

ідея - ロボティクス

Stem-OBは、事前学習済み画像拡散モデルの逆変換プロセスを活用して、高レベルのシーン構造を維持しながら、照明やテクスチャなどの視覚入力の変化に対するロバスト性を向上させる、視覚模倣学習のための新しいアプローチである。

本稿では、NVIDIA Isaac Sim上で動作する、モジュール式で拡張可能な新しい触覚シミュレーションフレームワークであるTacExを紹介する。これは、接触を多く伴うロボット操作タスクの強化学習のための、正確で信頼性が高く、使いやすい触覚シミュレータを提供する。

DexDiffuserは、部分的なオブジェクト点群からロボットの器用な把握を生成、評価、洗練するための新しいフレームワークであり、シミュレーションと現実世界の両方で従来の方法よりも優れた性能を発揮します。

本稿では、強化学習で学習した価値関数を確率的に安全な非線形モデル予測制御（PAC-NMPC）に組み込むことで、複雑な環境におけるロボットの安全かつ効率的なナビゲーションを実現する新しいアプローチを提案する。

トレーニング不要な新しいロボット計画フレームワークであるSelect2Plan (S2P)は、構造化された視覚的質問応答（VQA）とインコンテキスト学習（ICL）を活用することで、従来のトレーニングベースの手法に匹敵する、あるいはそれ以上の性能を達成できる。

本稿では、複雑な現実世界のシーンにおける3D視覚言語理解の進歩を目的として、多様な3Dシーンの空間シーングラフとオブジェクト参照自然言語ステートメントの大規模な新規データセット「VLA-3D」を紹介する。

本稿では、物体配置タスクにおける少数サンプルからの学習と、学習した配置モデルの未知の物体インスタンスへの転移を可能にする新しいアプローチを提案する。

本稿では、Transformerの文脈学習能力を活用し、構造的損傷やアクチュエータ故障による動的な変化にリアルタイムで適応する、固定翼UAVのための新しい耐故障制御手法を提案する。

行動クローニング(BC)と強化学習(RL)を組み合わせた新しい手法であるResiPは、BCで学習した軌道計画器にRLで学習した残差制御器を組み合わせることで、高精度なロボットマニピュレーションタスクを効率的に学習できる。

この論文では、事前に未知の環境におけるモバイルロボットの安全なナビゲーションを実現するために、瞬時ローカル制御バリア関数（IL-CBF）と目標駆動型制御リアプノフ関数（GD-CLF）を用いた安全なフィードバックモーションプランニング（SFMP）戦略を提案しています。

Про нас

Продукти

Ресурси