Ziying Song
Nanyang Technological University
収録論文 15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
- MomWorld: 長期自律走行のための運動量を考慮した潜在ワールドモデル自動運転2026/9/27
過去の観測からシーンの運動傾向を抽出し、潜在的な運動量を未来へ伝播させることで、長期的な計画の一貫性を高め衝突率を削減する自律走行用ワールドモデルを提案。
- 視覚基盤モデルによる堅牢なマルチモーダル3D物体検出3D物体検出2026/9/20
自動運転向けにSAMを微調整したSAM-ADとLiDAR特徴を融合し、ノイズや悪天候下でも堅牢な3D物体検出を実現するRoboDistillを提案。
- PV-WM: 歩行者と車両の連成ロールアウトのための異種マイクロ・マクロ世界モデル予測/世界モデル2026/9/7
歩行者の関節動作と車両の剛体運動を統合した世界モデルを提案し、履歴のみから将来の歩行者・車両状態を再帰的に予測する。
- LIBERO-RECOVER: タスク成功を超えて—ロボット操作モデルにおける失敗回復へ操作/ベンチマーク2026/9/4
既存のロボット操作ベンチマークは理想条件での成功率のみを測るが、実世界では失敗がつきものである。本論文は、最先端モデルの実実行失敗を収集し、4段階の回復レベルを含む大規模ベンチマークLIBERO-Recoverを導入して、失敗回復能力を評価する。
- Flow-JEPA: フローマッチングによるJEPA世界モデルの堅牢な潜在ダイナミクス世界モデル2026/8/29
JEPA世界モデルの決定論的予測を条件付きフローマッチングに置き換え、ノイズ下での堅牢性と成功率を向上させた。
- MomADv2: エンドツーエンド自動運転のための信頼性の高い時間的記憶自動運転2026/8/24
運転コマンドの変化に応じて履歴情報を選択的に活用し、コマンドと矛盾する記憶を抑制する信頼性の高い状態空間記憶フレームワークを提案。長期的な計画の一貫性を向上させ、衝突率を低減した。
- すべての履歴が役立つわけではない：長期的なエンドツーエンド自動運転のための速度認識型選択的メモリ自動運転2026/8/16
自動運転の長期計画において、過去の自己予測状態が古くなったり現在の運動段階と矛盾したりする問題を解決するため、選択的メモリと運動段階学習を導入したStableDriveを提案し、衝突率やL2誤差を大幅に改善した。
- DriveWorld-VLA: 自動運転のための視覚-言語-行動と潜在空間世界モデルの統合VLA2026/2/1
VLAと世界モデルを潜在空間で統合し、行動条件付きの想像を特徴量レベルで行う自動運転フレームワークを提案。NAVSIMなどで最高性能を達成。
- 安全クリティカルな自動運転のための進化的Bird's Eye View知覚：包括的サーベイ自動運転知覚2025/8/1
自動運転におけるBird's Eye View知覚を安全性の観点から、単一モダリティ車載・マルチモーダル車載・マルチエージェント協調の3段階で体系的にレビューし、データセットや課題、将来方向を整理したサーベイ。
- DIVER: 強化学習と拡散モデルで模倣学習の限界を突破するエンドツーエンド自動運転自動運転2025/7/1
拡散モデルによる多様な軌道生成と強化学習による安全性・多様性の誘導を組み合わせ、単一専門家の模倣学習が抱えるモード崩壊を解消するエンドツーエンド自動運転フレームワークを提案した。
- FocalAD: 局所運動計画によるエンドツーエンド自動運転自動運転/運動計画2025/6/1
自車の計画に重要な近傍エージェントとの局所的な相互作用に着目し、グラフベースの相互作用表現と損失設計で運動予測を精緻化するエンドツーエンド自動運転フレームワークを提案。
- S2R-Bench: 自動運転のためのSim-to-Real評価ベンチマークsim2real2025/5/1
実世界の多様な道路・天候・照明条件で収集したセンサ異常データを用い、自動運転の知覚アルゴリズムのロバスト性を評価する初の実環境ベースの腐敗ロバスト性ベンチマークを提案した。
- ハンドルを振るな：エンドツーエンド自動運転におけるモメンタムを考慮した計画自動運転計画2025/3/1
過去の軌道と知覚の履歴を活用して軌道予測を安定化させるMomADを提案し、nuScenesで長期的な一貫性と衝突率の改善を達成した。
- 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。
- M2DA: ドライバー注意を取り入れた自動運転向けマルチモーダル融合トランスフォーマ自動運転2024/3/1
LiDARと視覚の融合モジュールとドライバー注意を組み合わせ、複雑な交通状況で危険な対象を人間のように捉える自動運転モデルを提案し、CARLAで最先端性能を達成した。