Karmesh Yadav
収録論文 12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
- Memo: 強化学習による記憶効率の良い身体性エージェントの訓練VLA2025/10/1
Transformerベースの強化学習において、定期的な要約トークンを入力に挟み込むことで記憶の生成と検索を行い、長期的なタスクを効率的に学習する手法を提案。
- 二段階で考えよう:自己接地検証によるMLLMの同意バイアス緩和VLA2025/7/1
マルチモーダルLLM検証器がエージェント行動を過剰に承認する「同意バイアス」を指摘し、望ましい行動の事前知識を自己生成してから評価する軽量手法SGVを提案。失敗検出を25ポイント改善した。
- FindingDory: 身体性エージェントの記憶評価ベンチマーク身体性エージェント/記憶/ベンチマーク2025/6/1
Habitatシミュレータ上で長期的な記憶を要する60の身体性タスクを評価するベンチマークを提案し、視覚言語モデルの長期記憶能力を測定する。
- 家庭内でのオープンワールド移動マニピュレーションに向けて:NeurIPS 2023 HomeRobotオープン語彙移動マニピュレーションチャレンジからの教訓移動マニピュレーション2024/7/1
家庭環境で任意の物体を見つけて任意の場所に置くオープン語彙移動マニピュレーションのベンチマークを提案し、NeurIPS 2023コンペを実施。シミュレーションと実世界で評価し、成功チームに共通するエラー検出・回復と知覚・意思決定の統合の重要性を示した。
- 事前学習済みテキスト画像拡散モデルは制御のための万能な表現学習器であるVLA2024/5/1
テキストから画像を生成する拡散モデルの内部表現を制御ポリシー学習に転用し、操作・ナビゲーションタスクで既存手法に匹敵する性能を達成した。
- 事前学習済み視覚表現はシミュレーションと実環境でどう機能するか:大規模実証研究sim2real2023/10/1
5種類の事前学習済み視覚表現を3台のロボットと2つの学習手法で実世界タスクに適用し、シミュレーション性能が実環境性能の指標になることなどを示した。
- HomeRobot: オープンボキャブラリな移動マニピュレーション移動マニピュレーション2023/6/1
家庭環境で未知の物体を把持し指定場所に置くオープンボキャブラリ移動マニピュレーションのベンチマークを、シミュレーションと実機の両方で構築し、強化学習とヒューリスティックのベースラインを評価した。
- 画像で指定された物体へのナビゲーションナビゲーション2023/4/1
画像で指定された物体を探索・再同定・位置推定し、未知環境でロボットを目的地へ誘導するモジュール型システムを構築し、実機で88%の成功率を達成した。
- 身体性知能のための人工視覚皮質の探求:現状と展望VLA2023/3/1
身体性AI向けの視覚基盤モデルを17タスクで体系的に評価し、大規模データで学習したVC-1が平均的に優れるが万能ではないことを示し、適応で更なる性能向上を実現した。
- ラストマイル身体性視覚ナビゲーション視覚ナビゲーション2022/11/1
画像ゴールナビゲーションにおいて、ゴール発見後の最終段階のナビゲーションをニューラル記述子で改善するSLINGを提案し、成功率を45%から55%に向上させた。
- 強化学習による単眼SLAMの失敗を防ぐ軌道計画SLAM/強化学習2018/12/1
強化学習を用いて、単眼SLAMの推定誤差が大きくならない安全な軌道を生成する手法を提案し、シミュレーションと実機で有効性を示した。
- 強化学習による単眼SLAMの失敗を防ぐ軌道生成SLAM/強化学習2016/7/1
強化学習を用いて、単眼SLAMの推定誤差が大きくならない安全な軌道を生成する手法を提案し、シミュレーションと実機で有効性を示した。
