Heye Huang
Korea Advanced Institute of Science and Technology
収録論文 15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
- SafeVantage: 視点認識型メモリによる信頼性の高い身体的意思決定VLA2026/9/29
主張を支持する視点・カメラ姿勢・推定位置を保持する視点認識型メモリと能動的観測獲得を組み合わせ、支持・空間一貫性・網羅性からYes/No/Abstainを判断する身体的意思決定フレームワーク。
- MemTransfer: 実世界意思決定における経験を超えた記憶のベンチマーク記憶・ナビゲーション2026/9/26
ロボットエージェントの記憶表現6種を比較するベンチマークを提案し、条件変化に対する記憶の頑健性が一様でないことを示した。
- 安全重視の身体化システムのための世界モデルの再考世界モデル2026/9/3
現在の世界モデルは、尤度や視覚的忠実度を高めることに焦点を当てているが、安全な意思決定に必要な証拠を保持しているとは限らない。本論文は、リスクと介入、累積的結果などの構造的不一致を指摘し、意思決定中心のリスク情報世界モデル（RIWM）を提案する。
- シーンから物体へ：テキスト誘導による二重視線予測運転注意予測2026/4/1
運転者の物体レベルの注意予測を実現するため、データ構築からモデル設計までの新しい枠組みを提案し、マルチモーダル大規模言語モデルとSAM3を用いて物体レベルの視線データセットを構築し、デュアルブランチの視線予測モデルを開発した。
- 運転リスクは二次元の回避加速度から生じる自動運転/リスク評価2026/4/1
衝突回避の二次元的性質を考慮した新しいリスク指標「回避加速度(EA)」を提案し、実データで従来のTTCより早期かつ高精度に衝突リスクを評価できることを示した論文。
- CogDrive: 認知駆動型マルチモーダル予測・計画融合による安全な自動運転自動運転2025/12/1
認知表現と安全志向の軌道最適化を組み合わせ、マルチモーダルな相互作用予測と計画を統合した自動運転フレームワークを提案。
- SMART: 密集環境におけるスケーラブルなマルチエージェント推論と軌道計画群制御2025/9/1
強化学習による優先度推定と大ステップA*探索、並列凸最適化を組み合わせた階層型フレームワークで、密集環境での多数車両の軌道計画を高速かつ高成功率で実現する。
- REACT: 自動運転のためのランタイム能動的衝突回避技術自動運転2025/5/1
動的な交通環境でリスク評価と回避制御を統合した閉ループフレームワークREACTを提案し、4つの高リスクシナリオで100%の安全な回避と50ms未満の低遅延を実現した。
- RiskNet: 長尾シナリオにおける自動運転のための相互作用を考慮したリスク予測自動運転リスク予測2025/4/1
自動運転の長尾シナリオでのリスク予測フレームワークRiskNetを提案。場の理論に基づく決定論的リスクモデルとGNNによる確率的軌道予測を統合し、不確実性下での動的リスク推論を実現した。
- SACA: LLM推論を統合した自動運転車向けシナリオ認識型衝突回避フレームワーク自動運転/衝突回避2025/4/1
LLMの推論能力を活用し、予測的なシナリオ評価とデータ駆動型推論、シナリオプレビューに基づく展開を組み合わせることで、極限状況での衝突回避判断を改善するフレームワークを提案した。
- InVDriver: インスタンス内空間依存を考慮したベクトル化クエリベース自動運転トランスフォーマ自動運転2025/2/1
ベクトル化表現を用いた自動運転において、同一インスタンス内の点同士の空間的つながりをマスク付き自己注意で明示的にモデル化し、地図要素の断片化や軌道の振動を抑えて精度と滑らかさを向上させた手法。
- 物理モデルと残差学習を融合したコネクテッド自動運転車のオンライン適応プラトーン制御群制御2024/12/1
物理ベースの制御器とニューラルネットワークによる残差学習を組み合わせ、動的環境下での車群プラトーン制御の精度と適応性を高めるフレームワークを提案し、ロボットカー実験で有効性を示した。
- SafeDrive: 大規模言語モデルを用いた自動運転車の知識・データ駆動型リスク感受意思決定自動運転/LLM意思決定2024/12/1
リスク評価・記憶・LLM推論・反省の4モジュールを組み合わせ、動的で高リスクな環境でも安全な自動運転の意思決定を実現するフレームワークを提案し、実世界データセットで100%の安全率と85%超の人間らしい判断一致を達成した。
- 自律走行EVの高速コーナリング制御と実車展開制御/実車展開2024/11/1
強化学習とモデル予測制御を融合し、ドリフトを伴う高速コーナリングを実車の電気自動車で実現した研究。
- CSDO: 大規模マルチビークル軌道計画の効率と成功率を高める手法軌道計画2024/5/1
多数の車両の軌道計画を、粗い探索でホモトピー類を選び、分散型QPで衝突を解消する二段階手法CSDOで高速・高成功率に解く。