Jonathan DeCastro

Toyota Research Institute

収録論文 16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

• Dream2Assist：意図条件付きワールドモデルによる共有車両制御
  共有制御/ワールドモデル2026/10/26

  人間の意図を推論するワールドモデルベース強化学習で、先回りしつつ人間が理解しやすい支援エージェントを実現し、レーシングと市街地運転で有効性を検証した論文。

• 時空間検索に基づく事前知識を用いた運転指導の適応的計算モデル
  模倣学習/適応的指導2026/6/1

  運転などの複雑な運動技能の指導において、学習者の長期的な学習過程と指導者との繰り返しの相互作用を考慮した適応的指導モデルを提案。限られたデータでも、類似した過去の相互作用を検索して活用する手法で、非適応的なベースラインより優れた性能を示した。

• ポントリャーギンの最大原理による予測的安全フィルタ学習のための境界サンプリング
  安全フィルタ/学習制御2026/4/1

  安全制約を守るためのフィルタ学習において、危険境界付近の軌道をポントリャーギンの最大原理で特定し、効率的にデータ収集する手法を提案。自動車レースの共有制御実験で学習効率と安全性が向上した。

• オープンセット身体支援におけるデータの強みと弱み
  基盤モデル/一般化2026/3/1

  合成環境で多様な支援データを用いて微調整した基盤モデルの、未知のユーザー行動や新構成への一般化能力を調査した論文。

• 計画を学び、学びを計画する：適応的階層型RL-MPCによるサンプル効率の高い意思決定
  RL-MPC融合/階層型計画2025/12/1

  強化学習とMPPIベースのMPCを階層的に融合し、価値推定の不確実性に応じてMPPI探索を適応的に増やすことで、サンプル効率とタスク成功率を向上させる手法を提案した論文。

• メッセージのタイミング：時間制約のある支援環境における言語ベース通知
  言語支援・強化学習2025/9/1

  時間制約のある支援運転などの場面で、言語による通知の内容とタイミングのトレードオフを強化学習で最適化する枠組みを提案し、遅延を無視する手法より成功率を40%以上改善した。

• マルチタスク模倣学習による運転教示システム
  模倣学習2024/10/1

  専門家の教示データ不足を補うため、マルチタスク模倣学習で高性能運転のコーチングシステムを訓練し、実車実験と被験者研究で有効性を示した。

• 夢見るアシスト：高速レースにおける共有制御のための人間目標への整合学習
  共有制御2024/10/1

  人間の意図を推論する世界モデルと支援エージェントを組み合わせ、高速レースで人間の目標に沿った協調支援を実現するDream2Assistを提案した。

• 深く速く考える：逆動的ゲームから学ぶ分秒単位のインタラクションのためのニューラル非線形意見ダイナミクス
  マルチエージェント意思決定2024/6/1

  自動運転レースのような非協力的なマルチエージェント環境で、専門家のデモンストレーションから逆動的ゲームを通じてニューラル非線形意見ダイナミクスモデルを学習し、高速でデッドロックのない意思決定を実現する手法を提案した。

• 動的ゲームにおけるデータ駆動型事前分布の融合
  自動運転2024/2/1

  データ駆動型の方策とゲーム理論に基づく方策をKL正則化で融合するKLGameを提案し、自動運転の実環境で有効性を示した。

• NashFormer: 局所ナッシュ均衡を活用した意味的多様性のある軌道予測
  軌道予測2023/5/1

  ゲーム理論的逆強化学習を訓練時の補助損失として用い、マルチエージェントの相互作用を考慮した多様な軌道予測を実現するNashFormerを提案。Waymoデータセットでベースラインより33%多くの相互作用をカバー。

• 仕様誘導データ集約による意味論的に考慮した模倣学習
  模倣学習2023/3/1

  形式仕様で環境空間を意味的に分割し、模倣モデルと専門家の挙動が最も異なる領域に専門家データを集約することで、模倣学習モデルの精度を向上させる手法を提案した。

• 位相的ブレイドによる交通シーンでのマルチエージェント相互作用の分析
  交通マルチエージェント2021/9/1

  交通における複雑なマルチエージェントの相互作用を位相的ブレイドで表現し、相互作用の重要イベントを捉えつつ結果空間を列挙・複雑度評価できる枠組みを提案した論文。

• 論理オプションフレームワーク
  階層強化学習2021/2/1

  タスクをオートマトンで表現し階層強化学習に統合することで、複雑な規則を満たす最適で合成可能な方策を効率的に学習するフレームワークを提案。

• 多様な交通行動シミュレーションと反事実分析による自動運転プランナの回避可能な失敗の発見
  自動運転プランニング/シミュレーション2020/11/1

  行動的多様性を持つ交通参加者のシミュレーション上で大規模探索を行い、衝突に至る動的シナリオを生成・検出し、不可避事故と回避可能事故を区別してプランナ固有の欠陥を自動的に見つける枠組みを提案した。

• 強化学習による行動多様性のある交通シミュレーション
  交通シミュレーション2020/11/1

  深層強化学習の表現力と探索能力を活かし、運転スキルを保ちつつ行動の多様性を高める交通エージェントのポリシー生成手法を提案し、軌道ベースの評価指標で交差点シーンでの有効性を示した論文。