Honguk Woo
収録論文 10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
- RoboBRIDGE: 堅牢な実世界ロボットエージェントへのポリシー橋渡しのためのモジュラーフレームワークVLA/ロボット操作2026/7/1
事前学習済みのVLAモデルを実世界で使えるロボットエージェントに変換するためのモジュラーフレームワークを提案。監視、知覚、計画、制御、ロボットインターフェースの5つのモジュールを統合し、失敗回復や長期実行の安定性を向上させる。
- 進化する環境における身体化エージェントのためのマルチスケール世界モデル混合世界モデル2026/7/1
環境変化に応じたマルチスケール推論と知識適応を実現するため、スケール認識型の世界モデル混合と進化を導入したMuSixフレームワークを提案。
- 機能キャッシュ移植による身体化エージェント向けロバストかつ高速なコードポリシー合成VLA/コード生成2026/6/11
コード生成LLMの遅延と不安定性を解決するため、検証済み関数コードとKVキャッシュを再利用してポリシーを合成するFCGraftを提案。タスク成功率と生成速度を大幅に向上させた。
- スモール言語モデルによるコードリファクタリングを用いた効率的なスキル接地スキル接地/コード生成2026/6/6
スモール言語モデルを用いて、スキルの意味論と実行環境への結合を分離し、局所的なリファクタリングのみでスキルを接地するフレームワークRECENTを提案。LLM並みの性能をsLMで達成した。
- 信頼できるCode-as-Policiesに向けて：身体性タスク計画のためのニューロシンボリックフレームワークVLA2025/10/1
LLMによるコード生成型タスク計画に記号的検証と環境との対話的検証を組み込み、動的・部分観測環境でのタスク成功率と信頼性を向上させた。
- クロスドメインスキル拡散による文脈内ポリシー適応VLA2025/9/1
ドメイン非依存のプロトタイプスキルとドメイン適応スキルを拡散モデルで学習し、モデル更新なし・少量データで強化学習ポリシーを新環境に適応させるフレームワークを提案。
- LLMから実機エージェントへの身体性Chain-of-Thought蒸留VLA2024/12/1
大規模言語モデルの身体性推論能力を階層的に分解し、小型言語モデルベースの方策へ蒸留することで、容量制限のある実機デバイス上で効率的に複雑な身体性タスクを実行できるフレームワークDeDerを提案した。
- 視覚言語モデルと対照的プロンプトアンサンブルによる身体性エージェントの効率的な方策適応VLA2024/12/1
事前学習済み視覚言語モデルと複数の視覚プロンプトを対照的に学習・アンサンブルし、身体性RLエージェントが未知の視覚環境変化に効率的に適応できる枠組みConPEを提案。
- 時間制約下の身体性制御のためのモデル適応身体性制御2024/6/1
時間制約のある身体性制御タスクに対し、モジュラーネットワークの動的ルーティングでモデルを適応させるフレームワークMoDeCを提案し、ロボット操作と自動運転で有効性を示した。
- オフラインスキル拡散によるロバストな方策学習強化学習2024/3/1
限られたオフラインデータから拡散モデルで多様なスキルを生成し、異なるドメインの長期的タスクにおける方策学習を効率化するフレームワークDuSkillを提案。