Akshay Rangesh
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
- TerraTransfer++:専門家デモ不要のエンドツーエンド自動運転プランナー自動運転/自己対戦/蒸留2026/10/21
ベクトル化シミュレータでの自己対戦によりポリシーを事前学習し、そのロールアウトをフローマッチング軌道教師へ蒸留、凍結視覚バックボーン上の軽量アダプタで再現することで、専門家デモなしにエンドツーエンド自動運転プランナーを学習する手法。
- SHRED: 専門家デモンストレーションなしの異種道路利用者のための自己対戦交通シミュレーション2026/10/14
車・歩行者・自転車をランダム初期化から大規模異種自己対戦で同時訓練し、デモなしで現実的な交通行動と計画性能を実現するフレームワークを提案。
- TerraZero: ゼロデモンストレーション自己対戦スケールのための手続き型運転シミュレーション自動運転/シミュレーション2026/7/1
強化学習スケールで高速かつ現実的な地図構造に基づく多様な運転シナリオを生成する手続き型シミュレータと自己対戦学習スタックを提案し、ゼロデモンストレーションで汎化する運転ポリシーを訓練した。
- TerraTransfer: 専門家のデモなしで学ぶエンドツーエンド運転ポリシー自動運転2026/6/1
ベクトル化シミュレータでの自己対戦により運転ポリシーを事前学習し、視覚バックボーンとの潜在空間を整列させることで、専門家デモなしでエンドツーエンド運転を実現する手法を提案。
- SPACeR: 集中参照モデルによる自己対戦アンカリング自動運転/自己対戦RL2025/10/1
事前学習済みのトークン化自己回帰運動モデルを集中参照ポリシーとして自己対戦強化学習を誘導し、人間らしい運転行動を効率的に学習するフレームワークを提案。
- 自動運転経路計画における顕著性を考慮した標識分類:新規データセットによる実験的検討自動運転2021/12/1
自動運転車にとって重要な標識かどうかを示す「標識顕著性」を定義した新データセットを構築し、標識画像と車両の走行操作情報を組み合わせた畳み込みネットワークで76%の精度で予測できることを示した。
- 自動運転車が人間に運転交代を促すタイミングの実データモデリング自動運転・ヒューマンインタラクション2021/4/1
実車の自動運転中にドライバーが運転を引き継ぐまでの時間(TOT)を、複数の車内カメラ映像から連続的に予測するモデルを構築した研究。
- LaneAF: アフィニティフィールドによる堅牢な複数車線検出車線検出2021/3/1
二値セグメンテーションマスクとピクセルごとのアフィニティフィールドを予測し、行単位のデコードで車線数を固定せずに複数車線をクラスタリングする車線検出手法を提案した論文。
- TrackMPNN:動的グラフ上のメッセージパッシングによる多物体追跡多物体追跡2021/1/1
複数時刻にわたるデータ関連付けを動的无向グラフで表現し、その上でメッセージパッシング型グラフニューラルネットを動かして追跡を行う、省メモリでリアルタイムなオンライン多物体追跡手法を提案した論文。
