Songen Gu
Fudan University
収録論文 16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
- GIFT: 行動指向の構造的監督による誘導中間特徴学習を用いたロボット操作マニピュレーション2026/9/3
視覚と言語の事前学習で得られる特徴と制御に必要な情報の乖離（行動十分性ギャップ）を埋めるため、中間特徴に幾何・アフォーダンス・目標領域の3つの制御関連構造を学習させるフレームワークGIFTを提案し、複数のポリシーで性能向上を確認した。
- 潜在アクションを意図として用いた効率的な未来想像による世界行動モデルVLA2026/8/25
ロボット制御のための世界行動モデルにおいて、テスト時の未来観測生成の遅延を削減するため、潜在アクションを意図の表現として用いるLAWAを提案。将来の観測を生成せずに効率的な未来想像を実現し、少ないデモデータや分布外シナリオでの性能を向上させた。
- Vid2WAM: ビデオ拡散事前知識を世界行動モデルへ蒸留するVLA2026/8/1
大規模ビデオ基盤モデルの拡散事前知識を、コンパクトな世界行動モデル（WAM）に蒸留するフレームワークを提案。専門家デモに依存せず、タスク条件付き未来予測と逆動力学モデルによる擬似行動を活用し、限られたデモでも新規タスクへの汎化とデータ効率を向上させる。
- VT-WAM: 接触を伴う操作のための視覚-触覚ワールドアクションモデルマニピュレーション2026/7/1
接触を伴う操作タスク向けに、視覚予測・触覚変形予測・行動予測を統合したフレームワークを提案し、実世界6タスクで高い成功率を達成した。
- TacForeSight: 接触豊富な操作のための力誘導型触覚ワールドモデル触覚/操作2026/6/1
接触を伴う操作タスクにおいて、力覚と触覚の非対称な時空間的役割を考慮し、触覚潜在ダイナミクスを予測する軽量な触覚ワールドモデルと、予測結果を活用するポリシーを提案。実機実験で動的接触外乱下での優位性を示した。
- τ0-WM: ロボット操作のための統合ビデオ・アクション世界モデルVLA/世界モデル2026/6/1
ロボット操作のための、ポリシー学習・ビデオ予測・行動評価を単一の未来予測フレームワークに統合した世界モデルを提案。実ロボットデータ約27,300時間で訓練し、推論時に候補行動のサンプリングと評価・修正を行うことで、長期的で細かい操作タスクで高い性能を示した。
- PokeVLA: 包括的な世界知識の指導によるポケットサイズの視覚言語行動モデルの強化VLA2026/4/1
この論文は、ロボット操作のための軽量な視覚言語行動モデルPokeVLAを提案し、2段階のトレーニングと新しいアクションエキスパートにより、LIBERO-Plusベンチマークと実世界で高い性能を達成した。
- VistaBot: 時空間認識ビュー合成による視点ロバストなロボット操作マニピュレーション2026/4/1
カメラ視点の変化にロバストなロボット操作を実現するため、幾何モデルとビデオ拡散モデルを統合したフレームワークVistaBotを提案。テスト時のカメラ校正不要で、シミュレーションと実世界で性能を検証した。
- OmniVTA: 接触を伴うロボット操作のための視覚-触覚世界モデル操作2026/3/1
接触を伴う操作タスクのために、大規模な視覚-触覚-行動データセットと、触覚信号を予測・閉ループ制御に活用する世界モデルベースのフレームワークを提案した論文。
- 語り、夢見て、行動する：指示駆動型ロボット操作のためのビデオ世界モデル学習VLA2026/2/1
ビデオ生成モデルを蒸留して高速化し、生成された未来映像と実観測を組み合わせて行動モデルを訓練することで、指示に基づくロボット操作の精度と効率を向上させるフレームワークを提案。
- Mimir: 不確実性伝播を伴う階層的目標駆動拡散によるエンドツーエンド自動運転自動運転2025/12/1
目標点の不確実性をラプラス分布で推定し、マルチレート誘導機構で先読みすることで、堅牢かつ高速な軌道生成を実現した階層型自動運転フレームワーク。
- その手の中の世界：実環境での人間中心マニピュレーション学習のための大規模オープンソースエコシステムマニピュレーション2025/12/1
実環境で収集した1000時間超の人間のマニピュレーションデータとウェアラブル収集キット、ベンチマークをオープンソースで提供し、ロボットのマニピュレーション成功率を8%から60%に向上させた。
- 模倣学習ベースのエンドツーエンド自動運転におけるデータスケーリング則自動運転2024/12/1
400万件の運転デモデータを用いて、模倣学習ベースのエンドツーエンド自動運転モデルの性能がデータ量に対してべき乗則に従うことを示し、長尾データの重要性や組み合わせ汎化を明らかにした。
- ComDrive: 快適性重視のエンドツーエンド自動運転自動運転2024/10/1
拡散モデルで時間的に一貫した軌道を生成し、快適性を考慮したスコアラで選択するエンドツーエンド自動運転システムを提案。
- GaussianGrasper: オープンボキャブラリなロボット把持のための3D言語ガウシアンスプラッティングマニピュレーション2024/3/1
3Dガウシアンスプラッティングでシーンを明示的に表現し、言語埋め込みを蒸留することで、言語指示に基づくオープンボキャブラリな物体把持を実現した。
- ASSIST: Interactive Scene Nodes for Scalable and Realistic Indoor Simulation2023/11/1