Junwon Seo

Carnegie Mellon University

収録論文 17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

• VLAモデルの内部活性化による軽量ランタイム監視
  VLA2026/10/22

  VLAモデル自身の内部活性化に線形プローブを学習させて進捗を推定し、想定から外れた実行を検知する軽量なランタイム監視手法を提案した論文。

• 世界モデルにおける潜在外乱のモデリングによるロバスト意思決定
  世界モデル/ロバスト制御2026/10/6

  世界モデルの潜在空間に、もっともらしいが悲観的な遷移を引き起こす外乱を定義し、conformal predictionで不確実性集合を調整してロバストな行動選択を実現する手法を提案。

• StressDream: ビデオ世界モデルを操縦して堅牢なポリシー評価と改善を実現
  世界モデル/ポリシー評価2026/6/1

  拡散ベースのビデオ世界モデルにおいて、推論時に指定された高影響かつ妥当な未来（例：タスク失敗）へ想像を誘導する手法を提案し、ポリシーの堅牢な評価と改善を可能にした。

• 不確かさを考慮したガウス意味マッピングのためのエビデンシャル楕円体ベイズカーネル推論
  意味マッピング2025/9/1

  エビデンシャル深層学習で意味予測の不確かさを見積もり、ベイズカーネル推論に組み込むことで、屋外環境でのロバストな3D意味マッピングを実現した研究。

• AnySafe: 潜在空間における安全制約パラメータ化による実行時適応型潜在安全フィルタ
  安全制御/マニピュレーション2025/9/1

  世界モデルの潜在空間で安全フィルタを構築し、ユーザが指定した制約画像のエンコーディングに条件付けすることで、実行時に任意の安全制約へ適応できる手法を提案。Frankaマニピュレータの視覚ベース制御タスクで有効性を実証した。

• 不確実性を考慮した潜在安全フィルタ：分布外の危険を回避する
  安全制御2025/5/1

  世界モデルの認識的不確実性を活用し、未知の危険を事前に検知して安全な行動を提案する潜在安全フィルタを提案。

• OW-Rep: インスタンス表現学習によるオープンワールド物体検出
  オープンワールド物体検出2024/9/1

  未知物体の検出とインスタンス埋め込み学習を同時に行うオープンワールド物体検出フレームワークを提案し、Vision Foundation Modelを活用して未知物体の位置精度と意味的類似性を向上させた。

• 不確実性を考慮したオフロード環境の意味マッピング：デンプスター・シェーファー証拠理論の適用
  意味マッピング2024/5/1

  オフロード環境での意味マッピングにおいて、デンプスター・シェーファー証拠理論とEvidential Deep Learningを組み合わせ、不確実性を考慮した信頼性の高いマップを構築する手法を提案した。

• UFO: 不確実性を考慮したLiDAR-画像融合によるオフロード地形の意味マップ推定
  VLA2024/3/1

  RGB画像とLiDARスキャンを多スケールで融合し、不確実性を考慮した擬似ラベルを用いて、オフロード環境のBEV地形分類マップを高精度に生成する学習手法を提案した。

• 不確かさを考慮したベイズカーネル推論によるオフロード環境のエビデンシャル意味マッピング
  意味マッピング2024/3/1

  意味セグメンテーションにEvidential Deep Learningを組み込み、その不確かさをベイズカーネル推論に反映させることで、見通しの悪いオフロード環境でも信頼性の高い意味地図を構築する手法を提案した。

• 悪天候下の実世界向けドメイン適応物体検出
  ドメイン適応2023/9/1

  晴天画像で学習した物体検出器を雨天・雪などの悪天候環境に適応させるため、スタイル差と天候差を分離して対処する教師なしドメイン適応フレームワークを提案した。

• METAVerse: オフロードナビゲーションのためのメタ学習による走行可能コストマップ
  走行可能推定2023/7/1

  LiDAR点群から走行可能コストマップを生成するネットワークをメタ学習で訓練し、未知環境でも不確実性を抑えて安全なオフロード自律走行を実現した。

• 不確実性最小化による非構造環境での安全な自律走行
  ナビゲーション2023/6/1

  制御と知覚の不確実性を学習ベースの車両ダイナミクスモデルと自己教師あり走行可能性推定で定量化し、サンプリング型MPCで不確実な領域を避ける軌道を生成する枠組みを提案した。

• 自己教師あり学習のみによるオフロード地形の走行可能領域推定
  走行可能領域推定2023/5/1

  走行軌跡から自動でラベルを生成し、画像から安全に走行可能な地形を推定する自己教師あり手法を提案。多様な環境で高精度かつ教師あり手法に匹敵する性能を示した。

• 確率的アンサンブルニューラルネットワークダイナミクスによる能動的探索と不確実性を考慮した展開の橋渡し
  モデルベース強化学習2023/5/1

  確率的アンサンブルNNでダイナミクスを学習し、Jensen-Renyiダイバージェンスで不確実性を定量化、サンプリングベースMPCで探索と不確実性回避を統合したモデルベース強化学習フレームワークを提案。

• プロキシバンク誘導による自己教師あり3D走行可能性推定
  走行可能性推定2022/11/1

  オフロード環境での走行可能性推定において、少数の正負プロトタイプと未ラベルデータを深層距離学習で活用し、セマンティックセグメンテーションと回帰を統合的に学習する手法を提案。新評価指標とオフロードデータセットDtrailも構築した。

• ScaTE: 非構造環境における自己教師あり走行可能性推定のためのスケーラブルなフレームワーク
  ナビゲーション2022/9/1

  車両と地形の相互作用から自己教師ありで走行可能性を学習し、PU学習で走行不能領域を検出するスケーラブルな枠組みを提案。様々な車両の走行特性に応じたナビゲーションを実現。