Tobias Jülg
University of Technology Nuremberg
収録論文 9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
- DUET-DINO: ロボットマニピュレーションの潜在計画のための同時クロスビュー世界モデリングマニピュレーション2026/9/9
側面カメラと手首カメラの観測をクロスビュー条件付けで統合し、7自由度エンドエフェクタ制御のための行動条件付き潜在世界モデルを学習する手法を提案。到達・角度付き到達・把持持ち上げタスクで単一視点や独立二視点のベースラインを上回る性能を達成した。
- DuoBench: シミュレーションと実世界における両腕操作の再現可能なベンチマーク両腕操作/ベンチマーク2026/6/1
両腕ロボット操作のためのベンチマークフレームワークDuoBenchを提案し、シミュレーションと実世界で11タスクを実装して、既存の両腕模倣学習やVLAポリシーの性能を評価した。
- FlowTouch: 視点不変な視覚-触覚予測触覚2026/3/1
物体の局所3Dメッシュを用いて、カメラ画像から触覚画像を予測する視点不変なモデルを提案し、シミュレーションから実環境への一般化と把持安定性予測への応用を示した。
- DINOへの報酬付与：視覚基盤モデルによる密な報酬の予測ロボット操作/報酬学習2026/3/1
ロボット操作タスクにおいて、カメラ画像から言語条件付きの密な報酬関数を学習する手法「Rewarding DINO」を提案。デモ軌跡ではなくタスクの意味を学習し、シミュレーションと実世界の両方で汎化性能を示した。
- VLAgents: VLA推論を効率化するポリシーサーバVLA2026/1/1
VLAモデルの推論を統一プロトコルで抽象化し、共有メモリと圧縮ストリーミングで通信を最適化するモジュラーポリシーサーバを提案。
- Robot Control Stack：大規模ロボット学習のための軽量エコシステムVLA2025/9/1
VLAや強化学習ポリシーの学習・実機実験を支援する、シミュレーションと実機を統一インターフェースで扱う軽量なロボット制御フレームワークを提案し、OctoやOpenVLAなどの性能を評価した。
- ロボットのための拡張現実（ARRO）：視覚運動ポリシーの視覚的ロバスト性を目指して視覚運動ポリシー/ロバスト性/拡張現実2025/5/1
ARROは、ゼロショットのオープンボキャブラリセグメンテーションと物体検出を用いて、追加学習なしでリアルタイムにタスク無関係領域をマスクし、仮想ガイドを重ねることで、視覚運動ポリシーのシーン変化に対するロバスト性を向上させる手法である。
- LLM-Pack: 大規模言語モデルによる直感的な詰め込みマニピュレーション2025/3/1
言語・視覚基盤モデルを活用し、食料品を人間のように順序立てて詰め込む手法を提案。追加学習なしで新規商品に対応できる。
- 洗練されたポリシー蒸留：VLA汎用モデルからRLエキスパートへVLA2025/3/1
VLAモデルを教師として強化学習で蒸留し、マニピュレーションタスクにおいてVLAを上回る高性能なエキスパートポリシーを効率的に学習する手法を提案。