Kuo-Hao Zeng
収録論文 12本 ・ フィジカルAI/ロボット学習
マニピュレーション把持形態と制御の共設計VLAナビゲーション
※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
- 上手くいく動作を模倣：人間動画からのシミュレーション選別モジュール型方策学習マニピュレーション2026/2/1
人間の動画から把持後の動作を学び、シミュレーションで把持の適合性を選別することで、ロボットデータなしに精密なマニピュレーションを実現するモジュール型方策学習フレームワークを提案。
- GraspMolmo：大規模合成データ生成による汎用タスク指向把持把持2025/5/1
自然言語指示とRGB-D画像から、大規模合成データで学習した視覚言語モデルにより、意味的に適切な把持を予測する汎用タスク指向把持モデルを提案。
- 収束する機能、発散する形態：形態と制御の効率的な共設計フレームワークLOKI形態と制御の共設計2025/5/1
形態と制御方策を同時に設計する際、類似形態をクラスタ化して方策を共有し、局所探索で多様性を確保することで、計算コストを大幅に削減しつつ多様で汎用性の高いロボット形態を生成する手法を提案。
- SAT: マルチモーダル言語モデルのための動的空間適性トレーニングVLA2024/12/1
3Dシミュレータを用いて静的・動的な空間推論を含む17.5万件のQAペアと2万シーンからなるデータセットSATを構築し、マルチモーダル言語モデルの空間認識能力を訓練する手法を提案した。
- One RING：ロボット屋内ナビゲーションの汎用モデルナビゲーション2024/12/1
シミュレーションで大規模な機体形状のランダム化を行い、様々な実機ロボットに適応できる機体非依存の屋内ナビゲーション方策を学習した。
- FLaRe: 大規模強化学習ファインチューニングによる熟達した適応型ロボットポリシーVLA2024/9/1
事前学習済みロボットポリシーを大規模強化学習でファインチューニングし、未見環境での長期的移動操作タスクの成功率を大幅に向上させ、新しい身体や行動への迅速な適応を実現した。
- PoliFormer：大規模オンポリシー強化学習とTransformerによる熟練ナビゲータナビゲーション2024/6/1
RGB画像のみを用い、シミュレーションでの大規模強化学習により実世界に適応なしで汎化する屋内ナビゲーションエージェントを提案。物体目標ナビゲーションで成功率85.5%を達成。
- SPOC: Imitating Shortest Paths in Simulation Enables Effective Navigation and Manipulation in the Real World2023/12/1
- Open X-Embodiment: Robotic Learning Datasets and RT-X Models2023/10/1
- Moving Forward by Moving Backward: Embedding Action Impact over Action Semantics2023/4/1
- Pushing it out of the Way: Interactive Visual Navigation2021/4/1
- AllenAct: A Framework for Embodied AI Research2020/8/1