Daniel Tanneberg
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
- 具現化神経計算:生物学的神経培養とスケール化タスク駆動検証を接続するフレームワーク神経計算2026/5/13
生物学的ニューラルネットワーク(BNN)を用いた閉ループナビゲーションタスクにおいて、約1300のパラメータ組み合わせを評価し、学習可能な構成を特定。シリコンベースのDQNエージェントより高い性能を示した。
- MERGE: 人間とロボットの相互作用におけるマルチアクターイベント推論とグラウンディングのための誘導型視覚言語モデルHRI/視覚言語モデル2026/3/1
動的な人間とロボットのグループ相互作用において、アクター、物体、イベントを状況に応じてグラウンディングするシステムMERGEを提案。軽量な知覚パイプラインでVLMを選択的に呼び出し、効率と推論能力を両立し、新規データセットで性能を向上させた。
- ミラーアイ: 一目でわかる説明可能なヒューマンロボットインタラクションヒューマンロボットインタラクション2025/6/1
ロボットの頭部に鏡のような目を実装し、注視領域を目に映すことで、人間がロボットの意図を直感的に理解し、誤りを早期に発見できることを示した研究。
- CARMA: 視覚言語モデルと物体・行動認識を組み合わせた人間-ロボット群集団インタラクションの状況認識状況認識2025/6/1
複数人とロボットの協調作業において、視覚言語モデルと物体・行動認識を統合し、行為者・物体・行動の三つ組を生成することで状況認識を実現するシステムを提案。
- ニューロシンボリック模倣学習:スキル学習のための記号的抽象化の発見模倣学習2025/3/1
模倣学習において、低レベルな状態行動空間を記号的に抽象化し、タスクをサブタスクに分解して記号プランニングとニューラルスキルを組み合わせる枠組みを提案。データ効率・汎化・解釈性が向上することを示した。
- Tulip Agent:大規模ツールライブラリを活用するLLMエージェントLLMエージェント2024/7/1
LLMエージェントが大規模なツールライブラリを再帰的に検索してタスクを解決するアーキテクチャを提案し、数学とロボティクスで評価した。
- ビューを用いた効率的な記号計画タスクプランニング2024/5/1
複合属性を基本属性に分解して汎化を促しつつ、属性を段階的に増やす「ビュー」で計画問題を分割し、速度と解品質の両立を図る手法を提案。
- 助けるか助けないか:LLMに基づく人間とロボットのグループインタラクションへの注意深い支援人間ロボットインタラクション2024/3/1
LLMの常識推論を活用し、人間グループの状況を理解して必要な時だけ物理的支援を行うロボットの対話・行動生成手法を提案し、多様なシナリオで評価した。
- LaMI: マルチモーダルな人間-ロボットインタラクションのための大規模言語モデルHRI2024/1/1
大規模言語モデルを活用し、高レベルな言語指示と「アトミックアクション」の定義、少数の例示だけでロボットのマルチモーダルな行動を制御するHRIシステムを構築した。
- CoPAL: 大規模言語モデルによるロボット行動の修正計画タスクプランニング2023/10/1
LLMを使ったロボットのタスク・動作計画において、物理的・論理的・意味的な誤りを検出して再計画するフィードバック機構を提案し、ブロック操作やバーマン、ピザ作りで有効性を示した。
- 記号計画のための型一般化行動の学習記号計画2023/8/1
エンティティ階層と少数の観察から型一般化された記号行動を学習し、計画時にオンライン一般化を行うことで、未知のタスクや環境変化にも対応できる手法を提案した。
- 視線と動作特徴を用いた人間-ロボット共有制御による物体操作の意図推定共有制御2022/8/1
視線と動作の特徴から現在の行動と対象物体を予測する意図推定フレームワークを提案し、模擬環境でのピック&プレース作業で検証した。
- 未ラベル軌道からのスキル発見と分節化スキル学習2021/3/1
未ラベルの実演軌道から、繰り返し現れるパターンへの分節化とその再構成スキルを同時に学習するベイズ・変分推論手法を提案し、合成・実人間の実演で有効性を示した。
- モデルベース品質多様性探索による効率的なロボット学習ロボット学習2020/8/1
パラメータ摂動の挙動を予測するニューラルネットを品質多様性(QD)探索に統合し、見込みのない行動の実行を避けることでサンプル効率とスキル適応を改善した研究。
- 生体模倣の確率的リカレントネットワークによる効率的なオンライン適応オンライン適応2018/2/1
認知的不協和に着想を得た学習信号とメンタルリプレイを用い、確率的リカレントネットワークが少数の物理相互作用から未知環境に数秒で適応する枠組みを提案し、KUKA LWRアームで検証した。
