Hanbit Oh
AIST
収録論文 14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
- 接触の多いマニピュレーションにおけるEnd-to-End模倣学習のための触覚基盤モデル評価触覚2026/10/31
複数の触覚基盤モデルをDiffusion Policyに統合し、実環境・シミュレーションで接触の多いタスクにおける有効性と適応戦略を体系的に評価した。
- TOAST: 自己回帰型視覚-言語-行動モデルのための確率的ロボット行動トークン化VLA2026/10/1
同じ行動列を複数のトークン列で表現できる冗長性を活かし、学習時に確率的にサンプリングするトークン化手法を提案。データが少ないほど精度が向上し、実機タスクでも有効性を示した。
- EgoSpeedUp: 人間の操作テンポをロボット方策に転移する模倣学習2026/9/24
人間の操作デモからタスクに適したフェーズごとの実行テンポを推定し、ロボットの遅いデモを再タイミングして模倣学習させることで、成功率を上げつつ実行時間を短縮するフレームワーク。
- ロボット模倣学習のための固有感覚と能動的行動に基づく指先センシングの自己教師ありアンカリング模倣学習2026/9/24
指先の触覚・近接センサを固有感覚と行動に自己教師ありで対応付け、接触前後の情報を活用して模倣学習の成功率を高める手法を提案。
- ロボット基盤モデルにおける身体性ギャップ基盤モデル2026/8/19
ロボット基盤モデル（RFM）の汎化性能と実ロボットへの適用に必要な作業の差を「身体性ギャップ」と定義し、既存手法を共有構造と適応段階の2軸で整理したサーベイ論文。
- GuidedAttention: OODロバストなロボット操作のための解釈可能かつ修正可能な視覚的注意機構模倣学習/操作2026/7/1
視覚運動ポリシーに解釈可能で修正可能な注意キーポイントを中間表現として導入し、ユーザーが初期化時に修正可能な模倣学習フレームワークを提案。シミュレーションと実世界でOOD条件下での操作性能を向上させた。
- RoboManipBaselines：実機とシミュレーションを横断するロボットマニピュレーション模倣学習の統合フレームワーク模倣学習2025/9/1
データ収集・方策学習・実行までを一貫して行える模倣学習用のオープンソース基盤を提案し、複数シミュレータと実機ロボットに対応したベンチマークと応用例を示した。
- 自己拡張ロボット軌道：実演者注釈付き精度による安全な自己拡張を用いた効率的模倣学習模倣学習2025/9/1
1回の人間実演と精度境界の注釈から、ロボットが安全に衝突のない軌道を自己生成してデータを拡張し、模倣学習の効率と成功率を高めるフレームワークSARTを提案。
- ロバストインスタントポリシー：ロボットマニピュレーションのためのロバストなインコンテキスト模倣学習に向けたStudentのt回帰モデルの活用模倣学習2025/6/1
LLMを即時ポリシーとして用いるインコンテキスト模倣学習において、幻覚による軌道のずれをStudentのt分布で集約して抑制し、ロボットの軌道生成をロバスト化する手法を提案した。
- 熟練者の知覚精度を活用した安全な対話型模倣学習：クリアランス制約タスクへの応用模倣学習2024/2/1
人間のデモにおける速度と精度のトレードオフから「熟練者が知覚する精度」を推定し、衝突リスクが高い状態で人間に制御を委ねる対話型模倣学習手法を提案。UR5eによる組立タスクで安全性と効率を検証した。
- 部分自動化下での外乱注入：長期的タスクのためのロバスト模倣学習模倣学習2023/3/1
部分自動化環境で、人間の操作とモード切替を模倣学習し、外乱注入でロバスト性を高める手法を提案。長期的タスクで有効性を検証。
- ベイズ外乱注入：ロボットマニピュレーションのための柔軟な方策のロバスト模倣学習模倣学習2022/11/1
人間の実演に見られる複数の最適行動やリスクに応じた回復行動を模倣するため、ベイズ推論で柔軟な非パラメトリック多行動方策を学習しつつ、リスク感受性のある外乱を注入して方策をロバスト化する模倣学習フレームワークBDIを提案した。
- タスク達成度を考慮した外乱注入型ロバスト模倣学習模倣学習2022/5/1
質の異なる実演データから、タスク達成度に基づく重み付けと外乱注入を組み合わせ、安定かつ高性能な方策を学習する模倣学習フレームワークを提案し、掘削タスクのシミュレーションと実機で有効性を示した。
- ベイズ的撹乱注入：柔軟な方策のロバスト模倣学習模倣学習2021/3/1
ベイズ変分推論と撹乱注入を組み合わせ、複数の最適行動を柔軟に学習しつつ誤差に頑健な模倣学習方策を実現した。UR3ロボットアームのテーブル掃引タスクで有効性を検証。
