Enfu Nan
収録論文 5本 ・ フィジカルAI/ロボット学習
VLAタスクプランニングビデオ生成/物理推論世界モデル
※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
- 音声から直接ロボット操作を指示する音声-言語-行動モデルVLA2026/10/24
音声をテキストに変換せず直接モータコマンドへ写像するSpeech-π0.5を提案し、ASR経由より3倍低遅延で未知のアクセントにも頑健なことを示した。
- CIRRA: 対話型家事タスクにおける実体ロボットエージェントのための二段階継続的指示調停と実行継続タスクプランニング2026/10/5
家事ロボットが実行中のタスクに新しい指示を統合する際、既存の計画を保持しつつ局所的に調停する二段階フレームワークCIRRAを提案。CHIRPベンチマークで高い意思決定一致率を示した。
- PhyGround: 生成ワールドモデルにおける物理推論のベンチマークビデオ生成/物理推論2026/5/11
ビデオ生成モデルの物理法則遵守を評価するための、基準に基づいたベンチマークと自動評価器を提案した論文。
- 機械における人間の認知:世界モデルの統一的視点世界モデル2026/4/1
世界モデルの研究を認知機能の観点から分類し、人間のような認知能力を目指すための統一的枠組みを提案した論文。特に動機付けとメタ認知の研究不足を指摘し、今後の研究方向を示している。
- Moxin-VLMとMoxin-VLAを備えたオープンソースマルチモーダルMoxinモデルVLA2025/12/22
完全オープンソースのLLM「Moxin」を基に、視覚言語理解・視覚言語行動・中国語対応の3つの派生モデルを開発し、公開した。
