Kehan Long
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
- SERF: 長時間ホライズンのモバイル操作のための時空間環境・ロボット特徴マップモバイル操作/VLA2026/6/1
ロボットの長時間操作タスクにおいて、環境とロボット自身を共有潜在空間のニューラル点群として表現する時空間特徴マップを導入し、これをVLAモデルの状態入力として用いることで、長期的な推論とタスク成功率を向上させる。
- 高拘束環境における連続体ロボットの接触を考慮した計画と制御連続体ロボット2026/4/1
連続体ロボットが血管や内腔などの狭い環境で安全に動作するため、接触の質を評価して危険な接触を罰し、良性の接触を許容する計画手法を提案。患者スキャンからの解剖モデルで実験し、高い成功率と精度を達成した。
- 天井作業のための共有自律型建設ロボットシステム建設ロボット2025/11/1
天井への穴あけなどの高所作業を遠隔操作で支援する移動式双腕ロボットを開発し、ガウススプラッティングによるオンライン3D再構成と動的障害物回避のためのニューラルC空間バリアを導入した。
- BR-MPPI: 学習済み符号付距離場を用いた複数不等式制約を課すためのバリアレート誘導MPPI制御/MPPI2025/6/1
MPPIと制御バリア関数を統合し、バリア条件を等式制約として扱うことで、複数の不等式制約を効率的に満たす制御手法を提案。クアッドロータの実験で安全性境界近くでの動作性能とサンプル効率の向上を示した。
- 一般化リアプノフ関数による強化学習方策の安定性証明強化学習2025/5/1
強化学習方策の価値関数にニューラルネットの残差項を加えて一般化リアプノフ関数を学習し、方策の安定性を証明する手法を提案した。
- マニピュレーション計画と制御のためのニューラル配置空間バリアマニピュレーション2025/3/1
配置空間距離関数(CDF)をニューラルネットで学習し、それをバリアとして安全制約を定式化することで、雑然とした動的環境でのマニピュレータの運動計画とロバスト安全制御を効率化した研究。
- 連続体ロボット制御のためのニューラル配置距離関数連続体ロボット/運動計画2024/9/1
連続体ロボットの形状をリンクごとの距離場を学習して運動学チェーンで統合するN-CEDFとして表現し、MPPI制御に組み込むことで動的障害物環境でも安全な軌道生成を可能にした。
- 動的環境における安全なロボットナビゲーションのためのセンサベース分布ロバスト制御ナビゲーション2024/5/1
ノイズを含むオンボードセンサ情報を直接取り込む分布ロバスト制御バリア関数(DR-CBF)を提案し、経路追従のための制御リアプノフ関数と組み合わせることで、不確実な動的環境下でも安全かつ効率的な移動ロボットのナビゲーションを実現した。
- 分布ロバスト方策とリアプノフ証明書の学習制御/ロバスト学習2024/4/1
モデル不確かさ下での制御系に対し、分布ロバストなリアプノフ微分制約を満たすニューラル制御器と証明書を学習する手法を提案し、OoD不確かさでも安定性を保証する。
- 動的な楕円環境における多角形ロボットの安全安定化制御安全制御2023/10/1
多角形ロボットと楕円形障害物の距離を解析的に計算し、制御バリア関数(CBF)を用いて動的環境での安全なナビゲーションを実現する手法を提案した。
- 不確実性下における分布ロバストリアプノフ関数探索制御理論2022/12/1
未知の分布に従う外乱を受ける動的システムに対し、有限の外乱サンプルから分布ロバストなリアプノフ関数を探索する手法を提案し、SOS制約やニューラルネットワークによる定式化を示した。
- 不確かなモデルに対する分布ロバスト最適化による安全で安定な制御合成制御/ロバスト最適化2022/10/1
モデルパラメータの不確かさを有限個のサンプルから捉え、制御バリア関数と制御リアプノフ関数の制約を分布ロバストチャンス制約として扱い、二次錐計画に帰着して安全と安定を両立する制御入力を効率的に計算する手法を提案した。
- 不確かなダイナミクスと制約下での安全制御合成安全制御2022/2/1
ダイナミクスモデルと安全制約の不確かさを確率的・最悪ケースの両方で考慮したCLF/CBF制約を定式化し、SOCPとして効率的に安全安定制御を合成する手法を提案した。
- メモリ付き学習バリア関数によるロバストな安全ナビゲーション安全ナビゲーション2020/11/1
未知環境での安全なナビゲーションのため、距離センサからオンラインで制御バリア関数を構築し、リプレイメモリ付きでニューラルネットの符号付き距離関数を学習する手法を提案した論文。
- 異種マルチエージェントロボットシステムのための通信学習フレームワークマルチエージェント強化学習2018/12/1
強化学習を用いて、複数エージェントが視覚観測を圧縮符号化して通信し合いながら協調行動を学習する枠組みを提案し、2エージェントの3Dシミュレーションで実証した。
