Derniers articles pour Planification

Des recherches montrent que les modèles galèrent avec les dépendances d'étapes dans les recettes de cuisine.

L'inférence par boîte englobante améliore la prise de décision dans l'apprentissage par renforcement basé sur des modèles.

De nouveaux algorithmes améliorent l'efficacité des inspections robotiques pour plein d'applications dans le monde réel.

Un nouveau référentiel évalue l'efficacité des modèles de langage dans les applications robotiques.

Des méthodes compactes pour que les robots naviguent sans intervention humaine émergent.

Une nouvelle méthode améliore la navigation des robots et l'évitement des obstacles.

Une nouvelle méthode propose une meilleure façon pour les robots d'apprendre des tâches efficacement.

GCS* propose une nouvelle méthode pour un planification de chemin efficace dans des environnements complexes.

Une nouvelle échelle évalue comment les gens perçoivent les capacités des robots à travers la communication.

De nouvelles méthodes visent à améliorer la façon dont les robots gèrent les moments de contact incertains.

Les plans universels simplifient le mouvement des robots dans différents environnements et situations.

Examiner les menaces posées par les agents de modèle de langage autonomes et leurs faiblesses.

Cette méthode améliore l'efficacité de la planification en utilisant des prévisions et des modèles d'action adaptatifs.

Cette méthode améliore le raisonnement visuel en mettant en place une vérification à chaque étape du raisonnement.

Une nouvelle méthode apprend à l'IA à naviguer dans les villes en utilisant des repères sans instructions étape par étape.

L'intégration d'ontologies améliore la planification dans des environnements incertains et complexes.

Cet article parle de comment les robots peuvent gérer efficacement les commandes d'annulation dans la cuisine.

Cette étude examine comment la planification aide à réduire les erreurs factuelles dans la génération de texte.

Les robots améliorent leurs compétences en localisation d'objets en utilisant le toucher et la vue.

Une nouvelle approche améliore la prise de décision en apprentissage par renforcement en se concentrant sur les objets.

Une nouvelle méthode améliore l'efficacité et la précision dans la compréhension des objectifs des agents.

Une nouvelle méthode pour évaluer à quel point les LLM comprennent et appliquent les règles.

Des recherches montrent que la planification est le principal défi pour l'efficacité des agents web.

Une méthode aide les robots à apprendre des tâches à partir d'exemples humains via des sous-objectifs.

Découvre comment les robots peuvent mieux bosser avec les humains en se concentrant sur ce qui est important.

Un nouveau cadre améliore le mouvement des robots quadrupèdes sur différents terrains.

Un aperçu des avancées dans la prise de décision pour les voitures autonomes.

MotionCom révolutionne la façon dont on ajoute des objets aux images de manière dynamique.

RenderWorld utilise des données visuelles pour une technologie de conduite autonome plus sûre.

Les systèmes d'IA apprennent en explorant et en étant motivés, ce qui améliore leur performance dans les tâches.

Un nouveau cadre améliore la planification de l'IA en renforçant la compréhension visuelle et le raisonnement.

Un moyen de gérer le mouvement des robots tout en évitant les collisions dans des environnements chargés.

Une méthode pour aider les robots à s'adapter efficacement aux situations imprévues.

Un nouveau cadre améliore le travail d'équipe entre les humains et les robots en comprenant les actions humaines.

Un aperçu de comment les modèles o1 planifient des actions et leur performance sur différentes tâches.

Cette méthode aide les machines à planifier des actions en se basant sur des vidéos explicatives de manière efficace.

Explore comment les couches LoRA améliorent les capacités de raisonnement et de planification de l'IA.

Les drones améliorent les opérations de recherche et sauvetage grâce à une prise de décision intelligente et une planification efficace.

Les robots améliorent l'efficacité grâce à une meilleure planification des tâches futures.

Les systèmes multi-agents aident les robots à apprendre et s'adapter en bossant ensemble.