Explore les robots d'entraînement en renforçant l'apprentissage et l'apprentissage de la démonstration, mettant en évidence les défis de l'interaction homme-robot et de la collecte de données.
Explore le contrôle conforme pour les robots par impédance et rigidité variable, permettant des interactions sûres et adaptatives avec l'environnement.
Couvre l'apprentissage et le contrôle adaptatif des robots, en mettant l'accent sur la réactivité en temps réel et la planification de parcours à l'aide de systèmes dynamiques.
Explorez l'interaction homme-robot, l'engagement des étudiants et l'analyse de l'apprentissage à l'aide de données multimodales pour améliorer les processus éducatifs.
Explore l'apprentissage et le contrôle adaptatif des robots à travers SEDS et LPV-DS, mettant l'accent sur la stabilité, la dynamique non linéaire et l'optimisation.
Explore les défis et les points de vue de l'apprentissage profond, en mettant l'accent sur le paysage des pertes, la généralisation et l'apprentissage caractéristique.
Se penche sur la formation et les applications des modèles Vision-Language-Action, en mettant l'accent sur le rôle des grands modèles linguistiques dans le contrôle robotique et le transfert des connaissances web. Les résultats des expériences et les orientations futures de la recherche sont mis en évidence.
Explore l'apprentissage et le contrôle adaptatif pour les robots, en mettant l'accent sur la modulation des systèmes dynamiques pour améliorer la stabilité et permettre le mouvement réactif.
Explore l'apprentissage et le contrôle des systèmes complexes, en abordant les défis et les possibilités en matière de technologie et de recherche interdisciplinaire.
Explore l'évitement des obstacles en utilisant Dynamical Systems pour les robots, en se concentrant sur la modulation, les garanties de stabilité et la théorie de la contraction.
Couvre les principes fondamentaux de l'apprentissage profond, y compris les données, l'architecture et les considérations éthiques dans le déploiement de modèles.
Introduit les bases de la science des données, couvrant les arbres de décision, les progrès de l'apprentissage automatique et l'apprentissage par renforcement profond.
Explore les approches fondées sur les données pour améliorer la conception des robots, en mettant l'accent sur la conformité, les matériaux souples et les interactions complexes.
Explore la perception dans l'apprentissage profond pour les véhicules autonomes, couvrant la classification d'image, les méthodes d'optimisation, et le rôle de la représentation dans l'apprentissage automatique.
Explore l'apprentissage sécuritaire en robotique, couvrant l'état de l'art, les défis ouverts et la vision sur le terrain, soulignant l'importance de la collaboration interdisciplinaire.
Explique comment les robots manipulent des objets en utilisant des instructions en langage naturel et intègre des modèles de langage de vision pour améliorer les performances.
