Maggie Wigness
U.S. Army DEVCOM Army Research Laboratory
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
- 運用制約下でのUAV-UGVチームのためのマスク付き誤差有界ニューロシンボリック拡散による協調計画群制御2026/10/13
UAVとUGVの協調計画を条件付きマスク拡散モデルで生成し、論理規則で制約を課すニューロシンボリック手法を提案。誤差有界な推論スケジューリングで制約下の計画最適性を向上。
- 舗装路を超えたレーダーオドメトリ:現状の能力と課題オドメトリ2026/4/1
オフロード環境でのレーダーオドメトリの性能を調査し、課題を特定した上で、動き補償とIMU統合を用いた2つのベースライン手法を提案・評価した論文。
- 運用制約下のUAV-UGVチームにおける同期並行協調計画群制御2026/3/1
UAVとUGVの異種ロボットチームが、エネルギーや走行可能地形などの運用制約を考慮しつつ、同期して並行に協調計画を行う学習ベース手法CoPCSを提案した。
- 協調マルチロボットナビゲーションのためのサブチーム化と適応的フォーメーション制御群制御2025/9/1
ロボットチームが狭い通路などで動的にサブチームに分かれ、隊形を保ちながら協調移動できる階層型学習フレームワークSTAFを提案した。
- 移動ロボット知覚のための時間的一貫性を持つ教師なしセグメンテーション教師なしセグメンテーション2025/7/1
DINOv2の特徴量をスーパーピクセル単位でクラスタリングし、フレーム間の時間的一貫性を強制することで、ラベルなしで地形を教師なしセグメンテーションする手法を提案。
- GO: 大規模屋外マルチモーダルデータセットデータセット2025/1/1
非構造化環境での地上ロボット研究向けに、熱・レーダーを含む6種類のセンサと意味注釈・GPS軌跡を備えた大規模オフロードマルチモーダルデータセットを構築した。
- M2P2: 極低照度環境でのオフロード移動のためのマルチモーダル受動知覚データセット知覚データセット2024/10/1
LiDARや可視光カメラが使えない極低照度・無光環境でのオフロード自律移動を可能にするため、熱・イベント・ステレオRGBカメラとGPS・IMU・LiDARを組み合わせたマルチモーダル受動知覚データセットを構築し、受動知覚のみでの移動可能性を示した。
- 適応的フォーメーションと振動抑制による協調マルチロボットナビゲーション群制御2024/4/1
階層学習とバネ-ダンパモデルを組み合わせ、狭い通路などでも隊形を適応的に変化させながら複数ロボットを協調移動させる手法AFORを提案した。
- 学習可能な自律システムの保証技術とシステムズエンジニアリングライフサイクルの対応付け保証・検証2023/1/1
学習可能な自律システムの保証・検証技術を従来のVモデルにマッピングし、開発・調達・維持の3段階に分類して整理した。
- NAUTS: 非構造地形への適応のための交渉手法ナビゲーション2022/7/1
複数のナビゲーションポリシーをオンラインで交渉・統合し、不整地や動的障害物に適応する地上ロボットのナビゲーション手法を提案。
- 人間の実演から学ぶロボットナビゲーション:環境特徴マップを用いた制御行動の学習ナビゲーション2022/5/1
視覚知覚と逆最適制御を用いて環境特徴の走行コストを学習し、少数の人間の実演軌跡からUGVの走行行動を獲得するフレームワークを提案。オンライン版では運用中の人間介入による行動修正や動的環境適応も可能にした。
- 自己反省型地形認識適応による不整地オフロード走行の一貫性向上不整地走行2021/11/1
ロボットが自分の走行結果を振り返って地形や機体の変化に適応し、不整地でも計画通りの安定した走行制御を生成する手法を提案した。
- リスク回避型ベイズ報酬学習による人間デモンストレーションからの自律ナビゲーションナビゲーション2021/8/1
少数の人間デモから線形報酬関数の重みの不確実性をベイズ的に定量化し、リスク回避的な重みでコストマップを生成することで、未知の危険地形を避けるナビゲーションを実現した。
- 不整地走行における一貫したナビゲーション行動のためのロボット適応不整地走行2021/1/1
車輪滑りや空気圧低下などの外乱を明示的にモデル化せず、実際の行動と期待行動のずれを補正するオフセット行動を学習し、不整地でも一貫した走行を実現する手法を提案した。
- RELLIS-3Dデータセット:オフロード環境向けマルチモーダル3Dセマンティックセグメンテーション用データとベンチマークデータセット/3Dセマンティックセグメンテーション2020/11/1
テキサスA&M大学のオフロード環境で収集したLiDARスキャン13,556件と画像6,235枚のマルチモーダルデータセットを公開し、既存の3Dセマンティックセグメンテーション手法を評価した。
