Dingkang Liang

収録論文 6本 ・ フィジカルAI/ロボット学習

※arXiv著者名で収集。同姓同名の別人の論文が含まれる場合があります。

論文

• 統一軌道マッチング方策最適化：多様なT2I生成とVLA汎化
  VLA2026/9/28

  拡散・フローポリシーの事後学習において、報酬最大化ではなく軌道分布マッチングを行う統一RLフレームワークUni-TMPOを提案し、T2I生成の多様性とVLAのタスク・シーン汎化を両立させた。

• TurboVLA: RTX 4090上で32Hz・1GB未満のVRAMで動作するリアルタイム視覚言語行動モデル
  VLA2026/7/1

  従来のLLM中心のVLAアーキテクチャを、視覚と言語を独立にエンコードし軽量な双方向相互作用で直接行動にマッピングする方式に再設計し、計算コストとメモリ使用量を大幅に削減した。LIBEROで97.7%の成功率を達成し、大規模モデルに匹敵する性能を小規模で実現した。

• 動的環境における汎化可能なロボットマニピュレーションに向けて
  VLA2026/3/1

  動的環境でのロボット操作のための大規模データセットDOMINOとベンチマークを構築し、動きを考慮したVLAモデルPUMAを提案した論文。

• 生成モデルは空間を理解している：暗黙の3D事前知識を活用したシーン理解
  VLA2026/3/1

  動画生成モデルが内部に持つ暗黙の3D構造・物理の事前知識を抽出し、マルチモーダル大規模言語モデルに組み込むことで、明示的な3D教師なしに空間推論や操作タスクの性能を高めるフレームワークVEGA-3Dを提案した。

• MindDrive: オンライン強化学習による自動運転向け視覚言語行動モデル
  VLA2025/12/1

  自動運転VLAの課題を解決するため、LLMに2種類のLoRAを組み合わせ、離散的な言語決定に対してオンライン強化学習を行うフレームワークを提案した。

• DriVerse: マルチモーダル軌跡プロンプトとモーション整合による運転シミュレーション用ナビゲーション世界モデル
  運転シミュレーション/世界モデル2025/4/1

  単一画像と将来の軌跡から運転シーン動画を生成する世界モデル。軌跡をテキスト化し2Dモーションプライアとして与え、動き整合モジュールで時間的一貫性を高める。