Xianjin Wu

収録論文 2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

• TurboVLA: RTX 4090上で32Hz・1GB未満のVRAMで動作するリアルタイム視覚言語行動モデル
  VLA2026/7/1

  従来のLLM中心のVLAアーキテクチャを、視覚と言語を独立にエンコードし軽量な双方向相互作用で直接行動にマッピングする方式に再設計し、計算コストとメモリ使用量を大幅に削減した。LIBEROで97.7%の成功率を達成し、大規模モデルに匹敵する性能を小規模で実現した。

• 生成モデルは空間を理解している：暗黙の3D事前知識を活用したシーン理解
  VLA2026/3/1

  動画生成モデルが内部に持つ暗黙の3D構造・物理の事前知識を抽出し、マルチモーダル大規模言語モデルに組み込むことで、明示的な3D教師なしに空間推論や操作タスクの性能を高めるフレームワークVEGA-3Dを提案した。