Peter Stone

Un nouveau cadre améliore l'efficacité dans la coordination multi-robots et l'exécution des tâches.

Les robots peuvent mieux s'adapter à de nouveaux terrains en prédisant les préférences des opérateurs.

Avec la théorie des jeux, les robots coordonnent leurs mouvements dans des espaces étroits pour éviter les collisions.

Les robots s'adaptent à différents terrains en utilisant des données qu'ils collectent eux-mêmes.

t-DGR propose une nouvelle approche de l'apprentissage continu, améliorant la rétention des tâches et la performance.

Un nouveau système de téléopération simplifie l'entraînement des robots grâce à un contrôle humain en temps réel.

L'exploration est super importante pour bien entraîner des agents en apprentissage par renforcement multitâche.

Une nouvelle plateforme où les robots apprennent des tâches complexes en jouant au hockey sur air.

L'apprentissage par imitation aide les robots à mieux se déplacer dans des environnements animés.

Un nouveau programme d'IA bat les conducteurs humains en utilisant seulement les données internes de la voiture.

Une nouvelle méthode améliore l'efficacité de l'apprentissage des robots grâce à une meilleure interaction avec les humains.

Les équipes ont montré leurs compétences en navigation de robots lors d'une compétition difficile.

Une nouvelle approche des modèles d'état de l'espace améliore l'efficacité et la performance dans les tâches linguistiques.

Améliorer la capacité des robots à s'adapter et à apprendre de leurs expériences.

Une nouvelle méthode améliore l'entraînement des robots en alignant les tâches simulées avec des scénarios du monde réel.

Une nouvelle approche pour un apprentissage informatique plus rapide dans différentes tâches.

Des chercheurs apprennent à l'IA à comprendre des commandes simples pour des actions concrètes.

Découvre comment l'apprentissage par renforcement transforme le foot robotique.