Derniers articles pour Systèmes autonomes

Un aperçu de l'apprentissage sûr avec plusieurs agents dans des environnements contraints.

QNNRepair améliore la précision des réseaux de neurones après quantification.

Une nouvelle méthode améliore l'évaluation des cartes denses à partir des données LiDAR.

Les robots créent des formes efficacement en utilisant des codes couleur et des stratégies de mouvement spécifiques.

Analyse des méthodes d'évaluation des risques pour une technologie de conduite autonome sûre.

Un nouveau système améliore l'évaluation des terrains pour les véhicules tout-terrain en utilisant des données LiDAR et des caméras.

Explorer le rôle des méthodes de noyau pour améliorer les méthodes d'apprentissage par renforcement.

Une nouvelle méthode améliore l'adaptabilité de la détection d'objets à des données variées.

De nouvelles méthodes garantissent que les robots couvrent des zones en toute sécurité tout en s'adaptant aux défis.

Cet article examine comment évaluer les intentions des systèmes d'IA.

Une nouvelle méthode améliore l'apprentissage à partir de jeux de données déséquilibrés dans l'apprentissage par renforcement hors ligne.

De nouveaux boucliers de sécurité traitent les retards dans les systèmes autonomes pour garantir un fonctionnement plus sûr.

SEPT améliore la transmission sans fil des nuages de points 3D en utilisant l'apprentissage profond.

Une nouvelle méthode améliore la transmission d'images grâce à une communication bidirectionnelle efficace.

Une nouvelle métrique améliore la précision et la clarté des prédictions du modèle.

La recherche présente des modèles efficaces pour prédire l'orientation des navires en utilisant des techniques d'apprentissage profond.

Un nouveau cadre améliore la sécurité et l'efficacité dans le transport aérien urbain.

Une nouvelle méthode améliore l'efficacité dans la planification des mouvements des robots et la détection des collisions.

Présentation d'une méthode pour améliorer la fiabilité dans la récupération d'images pour des applications critiques.

Un nouveau cadre pour renforcer les modèles d'apprentissage par renforcement dans des environnements imprévisibles.

De nouvelles techniques de modulation améliorent la communication sans fil dans des scénarios et des environnements à grande vitesse.

L'IA améliore le traitement des données satellite pour des décisions plus rapides et intelligentes dans l'espace.

Un nouveau cadre améliore la cartographie et la détection sous-marine malgré les défis environnementaux.

GP-Frontier permet aux robots de naviguer sans cartes en utilisant des capteurs en temps réel.

Une nouvelle méthode permet aux drones de se suivre grâce à des caméras et des IMU.

OMIGA améliore l'apprentissage multi-agent hors ligne en intégrant des stratégies d'apprentissage globales et locales.

La recherche se concentre sur l'amélioration du traitement de l'information dans les systèmes autonomes critiques pour la sécurité.

Une nouvelle approche améliore la sécurité dans les tâches d'apprentissage par renforcement sans récompenses préalables.

QUAM améliore les estimations d'incertitude dans les prédictions dans différents domaines.

Cet article explore comment les drones utilisent l'apprentissage par renforcement pour naviguer en toute sécurité dans les forêts.

Une nouvelle méthode améliore les images en basse lumière tout en réduisant le bruit et en préservant les couleurs.

Un aperçu des NS-POMDP et de leur impact sur la prise de décision dans des environnements incertains.

Ce document introduit l'anticipation de la responsabilité pour une meilleure prise de décision dans les interactions multi-agents.

Les véhicules autonomes améliorent l'estimation des places de parking pour mieux gérer la congestion.

Une nouvelle méthode améliore les réseaux de neurones bayésiens pour la généralisation et l'estimation de l'incertitude.

Explorer comment les robots améliorent la collecte de données environnementales grâce à la prise de décisions autonomes.

Découvrez les avancées dans le Q-learning décentralisé pour les systèmes multi-agents.

Le 2ème BARN Challenge a mis en avant les avancées dans les systèmes de navigation autonome des robots.

GP-MPPI combine la détection en temps réel et la planification d'itinéraire pour la navigation robotique.

Explore comment l'apprentissage méta non linéaire améliore l'efficacité et la précision de l'apprentissage des tâches.