Zhihao Wang
University of Maryland
収録論文 13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
- 地球システムのWhat-Ifシミュレーションのための世界モデル：陸上生態系を事例として世界モデル2026/9/8
地球システムのエミュレーションを、ユーザーが状態を変更した場合の応答を予測できるアクション条件付き世界モデルとして構築し、ラベルなしの遷移データを用いた事前学習とマスク応答学習を提案した。
- ロボット操作のためのワールドバリューモデル操作2026/6/1
ロボット操作の価値推定に世界モデルを活用した新しい汎用価値モデル（WVM）を提案し、データ品質評価やポリシー学習の性能を向上させた。
- ロボットマニピュレーション方策のための行動空間設計の謎を解くマニピュレーション2026/2/1
双腕ロボットでの大規模実験により、模倣学習における行動空間の設計（絶対vs差分、関節空間vsタスク空間）が方策の学習性と制御安定性に与える影響を体系的に分析した。
- 二分的拡散方策最適化拡散方策/強化学習2026/1/1
拡散方策の強化学習において、報酬最大化と最小化の二つの方策に分解し、推論時にスコアを線形結合することで安定かつ制御可能な最適化を実現する手法を提案。
- X-VLA：ソフトプロンプト付きTransformerによるスケーラブルなクロスエンボディメント視覚言語行動モデルVLA2025/10/1
多様なロボットのデータ源ごとに学習可能なソフトプロンプトを割り当てることで、異なる機体を横断して学習できる汎用VLAモデルX-VLAを提案し、6つのシミュレーションと3体の実機でSOTA性能を示した。
- PhysiAgent: 実世界で動作する身体性エージェントフレームワークVLA2025/9/1
VLMとVLAを監視・記憶・自己反省機構とツールボックスで統合し、VLAの能力を最大限に引き出す身体性エージェントフレームワークを提案。複雑な実世界ロボットタスクでの性能向上を実証した。
- ViDARデバイスと強化学習によるアクティブSLAMアクティブSLAM2025/6/1
モータエンコーダを統合したViDARデバイスと、深層強化学習を用いたプラットフォーム運動から分離したアクティブSLAM手法を提案し、状態推定精度を向上させた。
- 潜在空間後方計画による効率的なロボット政策学習ロボット計画2025/5/1
最終目標から逆算して潜在空間で中間サブゴールを予測する後方計画手法を提案し、長期的なタスクにおけるリアルタイム制御を効率化した。
- ユニバーサルアクションによる具現化基盤モデルの強化VLA2025/1/1
多様なロボットの動作を共通の「ユニバーサルアクション空間」で表現し、異なる機体間でのデータ活用と汎化性能を高める具現化基盤モデルUniActを提案。0.5Bパラメータで14倍規模の既存モデルを上回る。
- Robo-MUTUAL: 単一モーダル学習によるロボットのマルチモーダルタスク指示VLA2024/10/1
単一モーダルの指示データを活用し、クロスモーダルアライメントを事前学習とCollapse/Corrupt操作で強化することで、ロボットがマルチモーダルなタスク指示を理解できるフレームワークを提案。
- Multi-object Detection, Tracking and Prediction in Rugged Dynamic Environments2023/8/1
- Active View Planning for Visual SLAM in Outdoor Environments Based on Continuous Information Modeling2022/11/1
- Pole-like Objects Mapping and Long-Term Robot Localization in Dynamic Urban Scenarios2021/3/1