새로 나온 로봇, 피지컬 AI 논문과, 각 논문이 업계에 갖는 의미.
이 논문은 로봇 안전 요구사항을 해석 가능한 1차 논리 규칙으로 표현하고, 시각 입력에서 안전 관련 술어를 학습하는 NEUPRO를 제안한다. REASON이라는 첫 실물 로봇 해석 가능 안전 벤치마크에서 NEUPRO는 과제 평균 0.92의 안전 분류 정확도를 보였고, 텐서 기반 추론기 대비 학습 9.1배, 추론 1.6배 빠르며 메모리 사용이 14.3배 낮았다. 이 연구는 아직 동료 심사를 거치지 않은 프리프린트다.
Multi-Agent Path Finding (MAPF) aims to find collision-free paths for multiple agents in a shared environment. Classical MAPF assumes that all static obstacles are known in advance, but real-world environments can change unexpectedly due to fallen objects, spills, or other local disturbances.
Average performance on routine driving benchmarks does not establish planner reliability under rare, safety-critical hazards. We proposed ExceptionDrive, a counterfactual planning benchmark that uses VLM-assisted screening, localized multi-view editing, and quality auditing to insert hazards into real nuScenes scenes while preserving their context.
논문은 arXiv 로봇 피드에서 가져옵니다. 요약이 아직 작성되지 않은 논문은 초록의 첫 부분을 보여줍니다.