Dans l'actualité
PAC-MAN: Perception-Aware CBF-RL for Whole-Body Safety in Humanoid Dodgeball
arXiv cs.AI · Publié le · 3 min de lecture
En 30 secondes
- Ce qui s'est passé
- Chercheurs ont développé PAC-MAN, un framework combinant des fonctions de barrière de contrôle avec du reinforcement learning pour permettre aux robots humanoïdes d'esquiver des objets en vol en utilisant uniquement la vision caméra embarquée.
- Pourquoi ça compte
- Les roboticiens construisant des systèmes de sécurité temps réel pour humanoïdes ont besoin de méthodes perception-aware pratiques fonctionnant avec des capteurs embarqués limités plutôt qu'une information d'état parfaite.
- Vigilance
- L'approche réussit sur 95% des lancers en test mais dépend de la segmentation sémantique et de configurations caméra spécifiques; les performances se dégradent sans suivi de balle précis.
- eval
- benchmark
Les patterns derrière cette actualité
- Eval-Driven Development (Agent CI)
- MLCommons AI Safety Benchmark v1.0
- Reinforcement Learning from Human Feedback
Chacun explique le fonctionnement de la technique, quand elle vaut son coût et où elle casse.
The Agent Architect
Un pattern, un compromis, une panne de production racontée. Un brief hebdomadaire court pour ceux qui construisent des systèmes agentiques.
Un email par semaine, désinscription en un clic. Votre adresse ne sert qu'à envoyer le brief.