Jun Morimoto
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
- アクチュエータ現実整形:ゼロショットsim-to-realロボット学習のための新パラダイムsim2real2026/7/1
シミュレーションで仮定した理想的なアクチュエータ動特性に実機のアクチュエータを一致させるよう制御する手法を提案し、実機での追加学習なしでゼロショット転移を実現した。
- DecompGrind: 切削面計画と接触力適応によるロボット研削の分解フレームワーク研削2026/3/1
ロボット研削を形状除去計画と接触力適応に分解し、学習を局所的な接触力適応に限定することで、少ないデモデータで異なる形状や硬さのワークを効率的に研削するフレームワークを提案した。
- 低速制御と限られた観測下での可変インピーダンス筋協調:脚式移動による評価歩行2025/12/1
単脚跳躍タスクで、強化学習による高レベル制御と可変インピーダンス筋協調モデルを組み合わせ、制御周波数や観測条件を制限しても安定歩行が可能なことを示した。
- SAM2誘導知覚と模倣学習による物体中心型移動マニピュレーション移動マニピュレーション2025/7/1
SAM2を用いて物体中心の知覚を行い、異なる接近角度からの実演でも汎化する移動マニピュレーションの模倣学習手法を提案し、ピックアンドプレースで評価した。
- 研削による物体成形のためのSim-to-Real転移可能な計画:切削シーケンス拡散モデルsim2real2024/12/1
研削による物体成形を自動化するため、小さな除去量に制約した滑らかな行動空間と拡散モデルで長期的な行動系列を計画し、シミュレーションのみで学習して実機に転移する手法を提案した。
- 目標条件付き終端価値推定によるリアルタイム・マルチタスクモデル予測制御モデル予測制御2024/10/1
MPCの計算負荷を目標条件付き終端価値学習で削減し、上位の軌道計画器と組み合わせることで、二足倒立振子ロボットが斜面地形でリアルタイムに目標軌道を追従できることを示した。
- 実機ヒューマノイドの全身MPCのための階層学習フレームワークsim2real2024/9/1
実機ヒューマノイドの全身モデル予測制御におけるsim-to-realギャップと計算負荷を、生物に着想を得た3層の階層学習で解決し、多様な動きの生成を可能にした。
- 位相振幅縮約に基づく模倣学習模倣学習2024/6/1
位相振幅縮約法を用いて、ロボットが周期軌道だけでなく初期状態や外乱後の過渡運動も模倣できる模倣学習フレームワークを提案し、シミュレーションと実機で有効性を示した。
- ヒューマノイド遠隔操作のための教師なしニューラルモーションリターゲティング遠隔操作2024/6/1
GANを用いたオンライン動作変換により、人間とヒューマノイドの対応データセットなしで上半身動作を転送する遠隔操作手法を提案し、従来法と同等の精度を実現した。
- 研削による形状創成の学習:切削面を考慮したモデルベース強化学習マニピュレーション2023/8/1
研削加工における物体形状の変化を、切削面の幾何モデルと偏差モデルで表現し、モデルベース強化学習によりデータ効率よくロボットの研削動作を学習する手法を提案した。
- マルチタスク学習による運動スキル生成のための基盤方策獲得強化学習2023/8/1
人間の感覚運動適応に着想を得たマルチタスク強化学習で、多様な状況に対応できる基盤方策を獲得し、新しい運動スキルを生成する手法を提案した。
- ランダム化画像から正規画像への変換に基づくモデル予測制御による実世界視覚ロボットマニピュレーションsim2real2022/7/1
ランダム化された画像からタスクに関連する特徴とそのダイナミクスを抽出するKRCモデルを提案し、実世界データを収集せずにシミュレーションから実世界へゼロショット転移できる視覚モデル予測制御を実現した。
- 位相ポートレートを運動プリミティブとして用いた高速ヒューマノイドロボット制御運動プリミティブ2019/12/1
低次元位相空間上のダイナミクスを予測し高次元運動を統御する運動プリミティブPPMPを提案し、20自由度の実機ヒューマノイド上半身で高速反応と先行的姿勢適応を実証した。
- ユーザの運動意図推定に基づく最適アシスト制御戦略アシスト制御2019/9/1
関節角度・角速度・筋活動から短時間でユーザの運動意図を推定し、事前計算した複数の最適制御則を線形ベルマン結合でブレンドしてアシストする手法を提案し、バスケットボール投擲課題で有効性を示した。
- 過去の経験を再利用して実環境でロボット方策を効率的に改善強化学習2014/5/1
重要度重み付きPGPEを用い、実機ヒューマノイドが過去のサンプルデータを再利用して、事前知識や初期軌道設計なしに目標到達動作と台車棒立てを実環境で学習できることを示した。
