Jie Zhang
Tsinghua University
収録論文 25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
- META-Robot:自己認知と能力拡張を両立するエージェント型ロボットVLA2026/10/30
行動レベルの述語で実行結果を明示化し、LLMが自己の限界を認識して評価基準とスキルを段階的に拡張するフレームワークを提案。固有感覚フィードバックも活用し、実機・シミュレーションで汎化と継続的スキル拡張を示した。
- VLA-Rolling: 行動テール再利用で高速・高精度化するVLA推論VLA2026/10/18
フローマッチング型VLAの未実行行動テールを再利用し、信頼度に応じた再ノイズ化とデノイズ予算配分で推論を高速化・高精度化する軽量フレームワークを提案。
- 不完全なデモから精密な進捗推定を学習する手法PRIMEマニピュレーション2026/10/16
複数のデモをまたいで状態を重み付きグラフで結び、最短経路で成功までの距離を近似することで、人間のミスを含む不完全なデモからでも精密な進捗推定を可能にした研究。
- VLA-ACL: 行動整合性に基づく視覚トークン刈り込みによる効率的なVision-Language-ActionモデルVLA2026/10/6
ベースのVLAモデルを凍結したまま、行動レベルの教師信号で軽量な視覚トークン選択ポリシーを学習し、最大87.5%の視覚トークンを削減しつつ操作性能を維持する手法を提案。
- SPIN: 確率的近傍における単一ステップ投影による拡散編集に対する画像免疫化画像免疫化2026/10/5
拡散モデルによる画像編集を妨害するため、局所的な確率的軌道近傍で単一ステップ投影を行い、目立たない摂動を最適化する画像免疫化手法を提案。
- 予測を超えて:回顧的世界モデリングによるVLMエージェントの誘導VLA2026/9/30
VLMエージェントに回顧的世界モデリングを導入し、行動の原因を逆推定する能力と自己整合性報酬を組み合わせることで、物理的に整合した行動を学習させる手法を提案。
- 世界行動モデルの汎化性能を決める要因とは?推論時の未来モデリングに関する実証研究VLA2026/9/28
世界行動モデル(WAM)の汎化性能を環境変化・データ効率・タスク汎化の3軸で評価し、未来表現の条件付けが重要であることを示すとともに、未来生成を1回の順伝播に簡略化したSimple-WAMを提案した。
- 電気自動車充電インフラにおけるサイバー攻撃検知のベンチマーク:正規ユーザー更新を考慮してサイバーセキュリティ2026/8/11
電気自動車の充電インフラにおけるサイバー攻撃検知を、正規のユーザー更新を考慮したベンチマークで評価し、新しいデュアルブランチモデルを提案した論文。
- WorldCycle: 長期的ビデオワールドモデルのための自己検証型強化学習ワールドモデル/強化学習2026/8/5
可逆なアクションサイクルを用いて、長期的な正確性を検証する自己教師あり強化学習フレームワークを提案し、ワールドモデルのドリフトを大幅に低減した。
- Ego2Robot: 自己中心視点の人間データからのスケーラブルなロボットデータ合成VLA2026/8/1
自己中心視点の人間の操作動画を、行動リターゲティングとロボットアームの視覚合成、品質キュレーションを経てロボット訓練データに変換するスケーラブルなパイプラインを提案し、大規模データセットでVLAモデルの汎化性能を向上させた。
- VLA-Corrector: 適応アクションホライズンのための軽量検出・修正推論VLA/行動生成2026/7/1
VLA-Correctorは、アクションチャンク方式のVLAポリシーに軽量な視覚モニタとオンライン勾配ガイダンスを追加し、実行中のずれを検出して修正再計画を行うことで、閉ループ応答性を向上させる。
- ロボストラル・ナビゲート:単眼RGBのみで動作するスケーラブルな視覚言語ナビゲーションモデルナビゲーション2026/7/1
単眼RGB画像のみを入力とし、画像空間上でウェイポイントを予測することで、様々なロボット形態に再較正なしで適用可能な8B視覚言語モデルを提案。大規模シミュレーションデータと効率的な学習手法により、実世界データへの依存を低減しつつ高性能を実現した。
- Qwen-RobotManip技術報告:アライメントがロボット操作基盤モデルのスケールを解放するVLA/基盤モデル2026/6/16
ロボット操作のための視覚言語行動基盤モデルQwen-RobotManipを提案し、異種データを統一フレームワークで整列させることで大規模学習を可能にし、ゼロショット汎化やクロスエンボディ転移などの創発的能力を示した。
- Qwen-RobotWorld 技術報告:言語条件付きビデオ生成による身体化世界モデルの統合世界モデル/ビデオ生成2026/6/15
自然言語を統一アクションインターフェースとして用い、現在の観測から物理的に妥当な未来の視覚軌跡を予測する言語条件付きビデオ世界モデルを提案。ロボット操作、自動運転、屋内ナビゲーション、人間からロボットへの転移を統一的に扱い、データ生成・評価環境・計画信号の3つの応用を示す。
- Qwen-RobotNav 技術報告:エージェント型ナビゲーションシステム向けのスケーラブルなナビゲーションモデルナビゲーション2026/6/1
本論文は、推論時に外部から観測戦略を再構成可能なパラメータ化インターフェースを持つスケーラブルなナビゲーションモデルQwen-RobotNavを提案し、複数のタスクモードと観測パラメータを導入して、指示追従や物体探索などの多様なナビゲーション行動を単一モデルで実現する。
- WorldCraft: カメラナビゲーションからオブジェクト操作へ - インタラクティブビデオワールドモデルにおけるビデオワールドモデル2026/5/24
ビデオベースのワールドモデルをカメラ操作からオブジェクトレベルの軌跡操作へ拡張するフレームワークを提案。ユーザーのクリックと描画パスに基づき、選択オブジェクトが軌跡に沿って動く未来フレームを生成する。
- Qwen-VLA:タスク・環境・ロボット形態を横断する視覚言語行動モデルの統合VLA2026/5/1
多様なロボットタスクを単一の視覚言語行動モデルに統合するQwen-VLAを提案し、操作・ナビゲーション・軌道予測を統一フレームワークで扱う。
- 回復して予測する:可変長軌道予測のための段階的回顧学習軌道予測2026/3/1
不完全な可変長の軌跡データから完全な軌跡を予測する問題に対し、段階的に特徴を整列させる回顧的枠組みを提案した。
- HALO: 身体性マルチモーダル連鎖推論のための統合視覚-言語-行動モデルVLA2026/2/1
テキスト推論・視覚的サブゴール予測・行動予測を統合したEM-CoT推論を可能にするVLAモデルHALOを提案し、シミュレーションと実環境でベースラインを上回る性能を示した。
- ロボット知覚のためのスーパーLiDAR強度LiDAR知覚2025/8/1
低コストLiDARの疎なスキャンデータから、非反復走査LiDARの特性を活かして高密度な強度画像を生成するフレームワークを提案し、ループ閉じ込めや車線検出などへの応用を示した。
- 腹腔鏡手術における主意図予測のための手術活動文法の活用手術支援ロボティクス2024/9/1
手術手順の文法構造と視覚情報を組み合わせ、腹腔鏡映像から重要な手術意図を高精度に予測するフレームワークを提案した。
- RoboDepthチャレンジ:ロバストな深度推定に向けた手法と進歩深度推定2023/7/1
悪天候やセンサ故障などに対応するロバストな深度推定を競うRoboDepthチャレンジの優勝解法をまとめ、空間・周波数領域の拡張や拡散モデルなど多様な手法を分析した。
- 自動運転車のためのマルチモーダルTransformer経路予測経路予測2022/8/1
車線情報を活用し、Transformerで対象車両の長期将来軌道を予測するシステムMTPPを提案し、nuScenesデータセットで有効性を示した。
- 選好誘導型確率的探索によるサンプル効率の高い深層強化学習強化学習2022/6/1
DQNに選好ブランチを追加し、Q値の分布に沿った行動選択確率を学習することで、バイアスを導入せずに効率的な探索を実現する手法を提案した論文。
- ロボット遠隔操作における操作難易度評価の転移:ドメイン適応によるアプローチ遠隔操作2019/6/1
ユーザーの生理反応と運動キネマティクスのみから操作難易度を推定するモデルを構築し、フィッツ課題で学習した知識をロボット遠隔操作へドメイン適応で転移させた研究。
