Hao Jiang
収録論文 19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
- 学習による狭フェーズ衝突検出のチェック順序最適化でサンプリングベース動作計画を高速化動作計画2026/9/24
サンプリングベース動作計画の衝突検出において、狭フェーズのチェック順序を学習で最適化し、混雑環境での検出時間を短縮する手法を提案。
- 触覚はいつ重要か？ 混雑環境での巧みな把持における視覚とインタラクションのギャップを描くマニピュレーション2026/9/21
混雑した卓上での巧みな把持において、視覚のみ・力覚・触覚・それらの統合を実機で比較し、インタラクション感覚が接触の早期棄却や再把持を可能にし、把持成功率を大きく向上させることを示した研究。
- 解空間の遮蔽：トレランス対応マニピュレーションに対するプランナ非依存の敵対的攻撃マニピュレーション2026/7/1
プランナに依存せず、タスクレベルの実現可能性に基づいて敵対的障害物を配置し、マニピュレーションの計画失敗を誘発する攻撃フレームワークを提案した。
- Muninn: あなたの軌道拡散モデルをより速く軌道生成/拡散モデル/高速化2026/5/1
拡散ベースの軌道プランナーを再学習なしで高速化するラッパー手法を提案。各ステップでキャッシュ再利用と再計算を適応的に切り替え、最大4.6倍の高速化を実現。
- HANDFUL: 資源を考慮した逐次把持条件付き器用操作器用操作2026/4/1
器用なロボットハンドで、最初の把持を維持しながら次の操作タスクを実行する逐次操作を学習するフレームワークを提案し、指の使用を資源とみなして資源を考慮した把持を探索する。
- 把持と非把持の同時操作：多段階器用タスクへの実用的アプローチマニピュレーション2026/3/1
物体把持と別物体への操作を同時に行う多段階タスクを、物体中心スキルに分解し、少数の実演から実機で学習・実行する手法DexMultiを提案。
- DiffVLA++：メトリック誘導アラインメントによる認知推論とエンドツーエンド運転の橋渡し自動運転VLA2025/10/1
VLAモデルの認知推論とE2Eモデルの物理的実現可能性を、メトリック誘導の軌道スコアラで統合した自動運転フレームワークを提案。
- AnchDrive: ハイブリッド軌道アンカーによる拡散ポリシーのブートストラップを用いたエンドツーエンド運転自動運転/拡散ポリシー2025/9/1
静的・動的な軌道アンカーを初期値として拡散モデルを効率化し、NAVSIMで最先端性能を達成したエンドツーエンド自動運転プランナー。
- 断続的観測下における欺瞞的政策のオンライン学習強化学習2025/9/1
監視が時々しか行われない状況で、観測時に監督者の期待に沿うように振る舞いつつ私的目的を達成する欺瞞的行動を、心の理論を活用したオンライン強化学習で獲得する手法を提案し、船舶・ドローンの実験で有効性を示した。
- FlowDrive: エンドツーエンド自動運転のためのエネルギーフローフィールド自動運転/プランニング2025/9/1
リスクポテンシャルと車線引力場という物理的に解釈可能なエネルギーフローフィールドをBEV空間に導入し、拡散プランナで軌道生成する自動運転フレームワーク。NAVSIM v2でEPDMS 86.3のSOTAを達成。
- DiffSemanticFusion: オンラインHDマップ拡散による自動運転向けセマンティックラスタBEV融合自動運転/予測・計画2025/8/1
ラスタ表現とグラフ表現の長所を組み合わせ、オンラインHDマップの拡散モジュールで安定性と表現力を高めるBEV融合フレームワークを提案し、軌道予測と計画タスクで性能を改善した。
- IRL-VLA：逆強化学習報酬ワールドモデルによる視覚言語行動ポリシーの訓練VLA2025/8/1
逆強化学習で軽量な報酬ワールドモデルを構築し、PPOによる閉ループ強化学習でVLAポリシーを訓練する手法を提案。NAVSIM v2ベンチマークで最先端性能を達成。
- DiffVLA: 視覚言語モデルが導く拡散プランニングによる自動運転自動運転/VLA2025/5/1
視覚言語モデルを活用したハイブリッドなスパース・デンス拡散ポリシーを提案し、効率的で多様な運転行動と軌道生成の改善を実現した自動運転手法。
- 乗客の徒歩移動を活用したライドプール運用の最適化ライドプール最適化2025/3/1
乗客が近くの乗降地点まで歩くことを許容する新しいマッチング手法を提案し、都市規模のタクシーデータでサービス数と移動距離を改善した。
- 高密度環境における巧みな手による物体分離の学習マニピュレーション2024/9/1
混雑した環境で16自由度のAllegro Handを用いて対象物体を分離・把持するための強化学習フレームワークSOPEを提案し、シミュレーションから実機へ転移して79.2%の成功率を達成した。
- A Q-learning Control Method for a Soft Robotic Arm Utilizing Training Data from a Rough Simulator2021/9/1
- Robopheus: A Virtual-Physical Interactive Mobile Robotic Testbed2021/3/1
- Design, Control, and Applications of a Soft Robotic Arm2020/7/1
- Feasible Computationally Efficient Path Planning for UAV Collision Avoidance2020/2/1