Peter Stone

Ein neues Framework steigert die Effizienz bei der Koordination und Aufgabenbearbeitung von mehreren Robotern.

Roboter können sich besser an neue Terrains anpassen, indem sie die Vorlieben der Bediener vorhersagen.

Mit Spieltheorie koordinieren Roboter ihre Bewegungen in engen Bereichen, um Kollisionen zu vermeiden.

Roboter passen sich an verschiedene Geländetypen an, indem sie selbst gesammelte Daten nutzen.

t-DGR bietet einen neuen Ansatz für kontinuierliches Lernen, der die Aufgabenspeicherung und Leistung verbessert.

Ein neuartiges Teleoperationssystem vereinfacht das Robottraining durch die Steuerung in Echtzeit durch Menschen.

Erkundung ist der Schlüssel, um Agenten im Multitasking-Verstärkungslernen effektiv zu trainieren.

Eine neue Plattform, wo Roboter komplexe Aufgaben über Air Hockey lernen.

Imitationslernen hilft Robotern, sich besser in belebten Umgebungen zu bewegen.

Neues KI-Programm schlägt menschliche Fahrer nur mit internen Fahrzeugdaten.

Eine neue Methode verbessert die Effizienz des Robotern Lernens durch bessere Interaktion mit Menschen.

Die Teams haben ihre Roboternavigationsfähigkeiten in einem herausfordernden Wettbewerb unter Beweis gestellt.

Ein neuer Ansatz für Zustandsraummodelle verbessert die Effizienz und Leistung bei Sprachaufgaben.

Die Fähigkeit von Robotern verbessern, sich anzupassen und aus Erfahrungen zu lernen.

Eine neue Methode verbessert das Training von Robotern, indem sie simulierte Aufgaben mit realen Szenarien in Einklang bringt.

Ein neuer Ansatz für schnelleres Computerlernen bei verschiedenen Aufgaben.

Forscher bringen KI bei, einfache Befehle für Aktionen in der echten Welt zu verstehen.

Entdecke, wie Verstärkendes Lernen den Roboterfussball verändert.