Мы представили вторую тройку работ. Доклады и постеры вызвали большой интерес у публики, что не может не радовать!
Всех заинтересованных приглашаем погрузиться в работы:
🪼K. Muravyev, A. Melekhin, D. Yudin, K. Yakovlev
PRISM-TopoMap: Online Topological Mapping with Place Recognition and Scan Matching
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.
🪼S. Pchelintsev, M. Patratskiy, A. Onishenko, A. Korchemnyi, A. Medvedev, U. Vinogradova, I. Galuzinsky, A. Postnikov, A. Kovalev, A. Panov
LERa: Replanning with Visual Feedback in Instruction Following
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.
🪼D. Grigorev A. Kovalev, A. Panov
VerifyLLM: LLM-Based Pre-Execution Task Plan Verification for Robots
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.
После сессий можно было сходить на Farewell — ужин с местной кухней и шоу, которое раскрыло для посетителей новые грани культуры Китая.