Новый метод M3PO, расширяющий классическую архитектуру Proximal Policy Optimization (PPO), в которой объединены мультизадачность и модель мира, которую робот выучивает в процессе взаимодействия при онлайн-обучении. В результате метод обеспечивает быстрое обучение компактных с точки зрения количества параметров стратегий, пригодных для быстрого развертывания на робототехнических манипуляторах.

MAPF - это подход к планированию маршрутов для нескольких роботов в общей среде. Хотя оптимальное решение MAPF — NP-hard, эффективные решатели важны для логистики, поисково-спасательных операций и других задач.

Мы предлагаем МАРF-GPT-DDG — новый метод дообучения модели МАРF на экспертных данных. Благодаря механизму генерации дельта-данных, он ускоряет обучение и повышает производительность. Эксперименты показывают, что MAPF-GPT-DDG превосходит существующие решатели, включая MAPF-GPT. Примечательно, что система работает с задачами, включающими до миллиона агентов в одной среде, устанавливая новый стандарт масштабируемости.

Децентрализованная навигация с несколькими агентами в условиях неопределённости сложная задача в робототехнике. Для её решения нужны стратегии предотвращения столкновений, учитывающие кинематические ограничения и погрешности.

В статье предложен новый метод, объединяющий МPPI C адаптацией оптимального избегания столкновений. Подход обеспечивает безопасную навигацию за счёт внедрения ограничений безопасности в процесс выборки МРРІ.

Тестирование в симуляторе Gazebo подтвердило применимость метода для роботизированных платформ. Исходный код доступен по ссылке: http://github.com/PathPlanning/MPPI-Collision-Avoidance.

Метод PRISM-TopoMap, помогает роботам эффективно ориентироваться в меняющейся среде. В отличие от громоздких метрических карт, он использует топологический подход — фиксирует связи между ключевыми точками, экономит память и ускоряет навигацию. Благодаря улучшенному алгоритму распознавания MSSPlace-G робот «узнаёт» места, даже если изменились освещение или ракурс, а затем обновляет карту прямо во время движения.

Метод прошёл тесты в виртуальных 3D-средах и на реальном колесном роботе. В сравнении с другими системами (SLAM, RTAB-Map и др.) PRISM-TopoMap показал лучшую связность графа, максимальное покрытие пространства и устойчивость к ошибкам датчиков. Такой подход особенно важен для автономных тележек на складах, дронов-курьеров и роботов в условиях, где GPS недоступен.

В робототехнике всё чаще применяют большие языковые модели для планирования задач, однако их зависимость от текстовых данных мешает адаптироваться к изменениям и сбоям в реальных условиях.

Для преодоления этих ограничений предлагается LERa — подход Look, Explain, Replan, основанный на модели визуального языка и использующий визуальную обратную связь. В отличие от существующих методов, LERa работает с необработанным RGB-изображением, инструкциями на естественном языке, первоначальным планом выполнения задачи и системой обнаружения сбоев — без дополнительной информации вроде данных об обнаружении объектов или заранее заданных условий, которые могут быть недоступны в конкретной ситуации.

В сфере робототехники учёные решают важную задачу — обеспечить надёжное и эффективное планирование задач. Предварительная проверка планов высокого уровня перед их реализацией позволяет существенно снизить количество ошибок и повысить общую эффективность систем.

В данной статье представлена архитектура для автоматической проверки планов задач высокого уровня до их выполнения в симуляторе или в реальных условиях. Наш подход, основанный на использовании LLM, включает два основных этапа: преобразование инструкций на естественном языке в линейную временную логику (LTL) и дальнейший детальный анализ последовательностей действий.