Meng Fang
University of Liverpool
収録論文 11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
- モバイルマニピュレーションの突破口：失敗診断からエージェント型ロボットシステムへモバイルマニピュレーション2026/10/14
長期的なモバイルマニピュレーションの失敗を診断し、計画・ナビゲーション・操作の各段階に介入するエージェントシステムを開発。成功率を19%から49%に向上させた。
- MARS: ワールドアクションモデルの多段階高速化フレームワークVLA2026/10/12
ワールドアクションモデルの推論を、Transformer計算・拡散ノイズ除去・連続クエリの3段階で冗長性を除去し、学習なしで最大4倍高速化する手法を提案。
- Memento 3: 反省的ルールブックによるモデルベースの再帰的自己改善VLA2026/10/8
凍結したLLMエージェントが自然言語のルールブックを外部記憶として保持し、観察・反省・ルール改訂・コード生成・検証のループを通じて世界モデルを継続的に学習・改善する手法を提案。ARC-AGI-3の全25公開ゲームをクリア。
- Automotive-ENV：車載インターフェースシステムにおけるマルチモーダルエージェントのベンチマークマルチモーダルエージェント2025/9/1
車載GUI向けの初の高忠実度ベンチマークと対話環境を構築し、GPS情報を活用する位置認識型マルチモーダルエージェントASURADAを提案した。
- HASARD: 身体性エージェントのための視覚ベース安全強化学習ベンチマーク安全強化学習2025/3/1
Doomを舞台に、一人称視覚のみで安全な意思決定を学ぶ強化学習エージェントを評価するベンチマークHASARDを提案し、難易度3段階と2種類の行動空間を用意して既存手法の性能と報酬・コストのトレードオフを分析した。
- 家庭内の危険を先回りして検知・対処するロボット家庭内ロボット2024/11/1
基盤モデルとマルチエージェント議論で家庭内の危険シナリオを自動生成し、ロボットが異常を能動的に発見・対処するスキルを学習する手法を提案した。
- LLM駆動のデータ合成とポリシー適応による自動運転向けロバスト強化学習自動運転/強化学習2024/10/1
LLMエージェントが生成したオフラインデータを蒸留し、ロバスト蒸留と混合ポリシー適応を組み合わせて、自動運転向けの効率的でロバストな強化学習ポリシーを訓練するRAPIDを提案した。
- MaDi: 視覚深層強化学習の汎化のための妨害マスキング学習強化学習/汎化2023/12/1
報酬信号のみを用いて、タスクに無関係な視覚的妨害をマスクする軽量なMaskerネットワークを強化学習エージェントに追加し、未知環境への汎化性能を向上させた研究。
- モデルベース後知恵経験再生強化学習2021/7/1
学習したダイナミクスモデルで仮想的な達成ゴールを生成し、それを用いて経験を再ラベリングすることで、多ゴール強化学習のサンプル効率を大幅に改善する手法を提案した論文。
- 観察からの模倣学習と実演からの模倣学習はほぼ等価であることの保証模倣学習2020/10/1
決定論的および有界なランダム性を持つロボット環境において、観察からの模倣学習(LfO)が実演からの模倣学習(LfD)とほぼ等価であることを理論的に証明し、実験でも同等性能を示した。
- 器用なロボットハンドでルービックキューブを解く学習手法マニピュレーション2019/7/1
階層型深層強化学習で計画と操作を分離し、24自由度の多指ハンドでルービックキューブを解く手法を提案。1400個のランダムなキューブで平均90.3%の成功率を達成した。
