Junjie Wen
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
- QMSR: クエリ条件付きマスク単位エキスパートルーティングによる頑健なオープンボキャブラリ水中物体検索オープンボキャブラリ検索/水中画像2026/9/16
水中画像検索において、クエリと候補のペアごとに最適な画像強調エキスパートと融合強度を適応的に選ぶルーティング手法を提案し、固定の強調処理より高精度を実現した。
- PLAF: ピクセル単位の言語整合特徴抽出による効率的な3Dシーン理解3Dシーン理解2026/4/1
2Dでピクセル単位の高精度な言語整合特徴を抽出し、冗長性を削減する効率的な保存・検索方式を設計することで、オープンボキャブラリ3Dシーン理解を実現するフレームワークを提案した。
- ActiveUMI: ロボット不要の人間デモンストレーションによる能動的知覚を伴うロボットマニピュレーションマニピュレーション2025/10/1
VRテレオペレーションキットとセンサ付きコントローラで人間の両手作業デモを収集し、頭部運動による能動的知覚も学習してロボットに転移するデータ収集フレームワークを提案。6つの両手タスクで平均70%の成功率を達成。
- HumanoidExo: ウェアラブル外骨格によるスケーラブルな全身ヒューマノイド操作全身マニピュレーション2025/10/1
人間の動作をウェアラブル外骨格で計測し、全身ヒューマノイドの操作データへ変換するシステムを提案。実機データを補完し、少ない実演で複雑な全身制御や歩行スキル獲得を可能にした。
- dVLA: マルチモーダル連鎖推論を備えた拡散型視覚-言語-行動モデルVLA2025/9/1
視覚・言語・行動を単一の拡散目的関数で統合し、マルチモーダル連鎖推論を活用したVLAモデルdVLAを提案。LIBEROで96.4%の成功率を達成し、実機Frankaでも多段階計画を要するタスクに成功。
- ChatVLA-2: 事前学習知識を活かしたオープンワールド身体推論を備える視覚-言語-行動モデルVLA2025/5/1
VLMの能力を保持しつつロボット行動に変換するMoE型VLAモデルを提案し、ホワイトボードの数式を読んでカードを選ぶ課題などで数学・OCR・空間推論能力を示した。
- WorldEval: 世界モデルを実世界ロボット方策の評価器として活用世界モデル2025/5/1
世界モデルを実世界ロボット方策の評価代理として用いるWorldEvalを提案し、Policy2Vecで行動追従動画を生成して方策ランキングや安全性検出を実現した。
- PointVLA: 3D世界をVision-Language-Actionモデルに注入するVLA2025/3/1
事前学習済みVLAモデルを再学習せずに、軽量モジュールで点群入力を注入し3D空間推論能力を付与するフレームワークを提案。
- ChatVLA：視覚・言語・行動モデルによるマルチモーダル理解とロボット制御の統合VLA2025/2/1
視覚言語行動モデルにおける「忘却」と「タスク干渉」を解決するため、段階的アライメント訓練とMixture-of-Expertsを組み合わせたChatVLAを提案し、マルチモーダル理解と実ロボット操作の両方で高性能を実現した。
- DexVLA: 汎用ロボット制御のためのプラグイン拡散エキスパートを備えた視覚言語モデルVLA2025/2/1
拡散ベースのアクションエキスパートをVLAモデルに組み込み、身体カリキュラム学習で効率的に訓練することで、多様なロボット身体での複雑な長期的タスクを実現した。
- ObjectVLA: 実演なしで実世界の物体操作を実現するエンドツーエンドVLAVLA2025/2/1
Vision-Language-Actionモデルを用い、新規物体に対する実演データなしでロボットの物体操作スキルを汎化させる手法を提案し、実機で100種類の未見物体に対し64%の成功率を達成した。
- Diffusion-VLA: 自己生成推論による汎用性と解釈性を備えたロボット基盤モデルVLA2024/12/1
自己回帰モデルと拡散モデルを組み合わせ、自己生成した推論を方策学習に注入することで、解釈性が高く汎用性のある視覚運動方策を実現したロボット基盤モデル。
- CoA-VLA: 視覚・テキストのアフォーダンス連鎖による視覚言語行動モデルの改善VLA2024/12/1
ロボットの行動予測に、物体・把持・空間・移動の4種類のアフォーダンスを視覚とテキストで段階的に推論させることで、複雑なタスクでの精度と頑健性を高める手法を提案。
- 離散ポリシー：マルチタスクロボット操作のための分離された行動空間の学習マニピュレーション2024/9/1
ベクトル量子化で行動系列を離散潜在空間にマッピングし、タスク固有のコードを学習することで、マルチタスク操作を可能にするロボット学習手法を提案。実機実験でDiffusion PolicyやOpenVLAを上回る成功率を達成。
- ロボット操作のための10億パラメータへの拡散方策のスケーリング模倣学習2024/9/1
拡散方策のスケーリング問題を解決するため、観測特徴の分解と非因果的注意を用いたスケーラブル拡散トランスフォーマー方策を提案し、10億パラメータまで拡張可能にした。
- TinyVLA: ロボットマニピュレーションのための高速・データ効率的な視覚言語行動モデルVLA2024/9/1
大規模事前学習不要で高速推論が可能なコンパクトな視覚言語行動モデルTinyVLAを提案し、シミュレーションと実機でOpenVLAを上回る速度とデータ効率を実現した。
- 基盤モデルを用いたロボティクス：身体性AIに向けたサーベイVLA2024/2/1
ロボットの自律マニピュレーションを対象に、基盤モデルを活用した研究を高レベル計画と低レベル制御の両面から整理し、データセット・シミュレータ・ベンチマークや今後の課題をまとめたサーベイ。
- Object-Centric Instruction Augmentation for Robotic Manipulation2024/1/1
- Language-Conditioned Robotic Manipulation with Fast and Slow Thinking2024/1/1