Ching-An Cheng
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
- 言語訂正による対話型ロボット学習VLA2023/10/1
大規模言語モデルを活用し、ユーザーが言葉でロボットの誤りを訂正すると、そのフィードバックから視覚運動方策を更新して同じ失敗を繰り返さない学習システムOLAFを提案した。
- 言語指示に従うロボットのための目標表現：半教師あり言語インターフェースによる制御VLA2023/7/1
少量の言語ラベル付きデータと大量の未ラベルデータを活用し、言語指示を開始画像と目標画像の変化に埋め込むことで、実世界の多様なマニピュレーションタスクで指示に従う方策を学習した。
- PLEX: ロボットマニピュレーション事前学習で利用可能なデータを最大限活用するマニピュレーション2023/3/1
少量の視覚運動軌道と大量のタスク条件付き動画を組み合わせて学習するTransformerベースの手法を提案し、Meta-WorldやRobosuiteで高い汎化性能を示した。
- ノーリグレット還元によるリセット不要強化学習の理論的保証強化学習理論2023/1/1
リセット機構に依存しない強化学習アルゴリズムを設計するため、リセット不要RLを2人ゲームに還元し、線形MDPで初の理論的に正しいアルゴリズムを実現した。
- MoCapAct: シミュレーション人型制御のためのマルチタスクデータセットsim2real2022/8/1
シミュレーション人型ロボットが3時間以上のモーションキャプチャを追従できる高品質なエージェントとそのロールアウトを収録したデータセットMoCapActを公開し、階層型ポリシーの学習や下流タスクへの再利用が可能であることを示した。
- アドバンテージに基づく介入を用いた安全強化学習安全RL2021/6/1
アドバンテージ関数に基づく介入機構で学習中も安全性を保ちつつ、制約なしRLアルゴリズムで方策を最適化するSAILRを提案した論文。
- RMP2: ロボット学習のための構造化可能な合成ポリシークラスロボット学習2021/3/1
RMPflowのメッセージパッシングを自動微分で効率化したRMP2を提案し、強化学習のポリシー性能と安全性を向上させた。
- オンライン模倣学習における高速改善の理論的説明模倣学習2020/7/1
オンライン模倣学習が既存理論より速く改善する現象を、政策クラスのバイアスを考慮した収束解析で説明した研究。
- RMPflow：マルチタスク動作ポリシー生成のための幾何学的フレームワークマニピュレーション2020/7/1
リーマン運動ポリシー（RMP）を幾何学的に整合させて統合するRMPflowを提案し、動的環境での複数タスクの反応的動作生成を効率化した。
- 学習可能なLyapunov関数整形によるリーマン運動ポリシーの融合ポリシー融合2019/10/1
RMPflowのサブタスクポリシー設計の難しさを解決するため、重み関数でLyapunov関数を階層的に整形するRMPfusionを提案し、学習可能かつ大域的安定性を保証することを示した。
- 複数タスクを安定に統合するRMPflow制御器合成フレームワークマニピュレーション2019/3/1
RMPflowを制御Lyapunov関数の観点から再定式化し、個別設計したサブタスク制御器を安定に統合できることを示した。
- オンライン学習としてのモデル予測制御制御/オンライン学習2019/2/1
MPCとオンライン学習の理論的つながりを示し、動的ミラー降下に基づく汎用的なMPCアルゴリズム群(DMD-MPC)を提案。倒立振子や実車のアグレッシブ運転で有効性を実証した。
- RMPflow：自動運動ポリシー生成のための計算グラフマニピュレーション2018/11/1
リーマン運動ポリシー（RMP）を幾何学的に整合させて組み合わせ、個別タスクの局所ポリシーから計算効率の良い大域的運動ポリシーを自動生成する手法を提案し、高自由度マニピュレーションの障害物回避で有効性を示した。
- 低コストセンサのみで実現するアジャイルなオフロード自律走行のエンドツーエンド模倣学習自律走行/模倣学習2017/9/1
高度なセンサを備えたモデル予測制御器の挙動を深層ニューラルネットで模倣し、低コストセンサの生観測から直接ステアリングとスロットルを出力する自律走行システムを構築、オンライン模倣学習が分布シフトに強く高速オフロード走行で最先端性能を達成した。
- 確率的推論による連続時間運動計画・制御の近似最適化運動計画2017/2/1
ガウス過程と確率的推論を用いて、高次非線形な評価指標を持つ連続時間確率システムの運動計画・制御を効率的に近似最適化するPIPCアルゴリズムを提案した。
