Ming-Hsuan Yang
収録論文 13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
- WorldFoundry:世界知能のための統合インフラストラクチャ世界モデル2026/11/7
生成的世界モデルの定義と評価枠組みを提示し、動画・3D/4D・身体行動・対話型世界システムの推論と評価を再現可能にするオープンソース基盤WorldFoundryを提案した論文。
- 意味的・視覚的フィードバックでロボット世界モデルを学習する世界モデル2026/11/5
ロボット世界モデルを、候補未来の比較と意味的・視覚的フィードバックで事後学習するRoboImagineを提案し、RT-1などで視覚予測精度を改善した。
- QK-Edit: MM-DiTにおける画像・動画編集のための注意機構注入の再検討画像・動画編集2026/10/13
マルチモーダル拡散トランスフォーマー(MM-DiT)の注意機構を訓練なしで操作し、テキスト指示による画像・動画編集を高精度に行う手法を提案。
- 長期的ロボット世界モデルのための重要記憶保持世界モデル2026/10/10
ロボット動画の自己回帰世界モデルにおいて、初期シーンと直近の視覚行動ブロックを保持し古い履歴を破棄する訓練不要の文脈スケジューリング手法ReCAPを提案し、長期ロールアウトでの予測品質と効率を改善した。
- Chat-Edit-3D++: 大規模言語モデルによる対話型3D・4Dシーン編集3D編集2026/8/29
大規模言語モデルを中心に対話で3D/4Dシーンを編集する手法を提案。2Dアトラス画像への変換で編集と再構成を分離し、多様な視覚ツールを自動的に呼び出す。
- SimWorlds: 動的3Dシーン生成のためのマルチエージェントシステム3Dシーン生成2026/7/2
テキストから動的で編集可能な4Dシーンを生成するマルチエージェントフレームワークを提案し、物理整合性を検証するベンチマークも導入した。
- 自動運転システムのための設計・スケジューリングエージェント「DrivingAgent」自動運転2026/6/1
自動運転システムの設計とリアルタイムスケジューリングを自動化するLLMベースのエージェントフレームワークを提案。設計フェーズではモジュール開発を自動化し、スケジューリングフェーズでは強化学習で訓練した軽量LLMが動的にモジュールを調整する。
- KnowVal: 知識拡張と価値誘導による自動運転システム自動運転2025/12/1
交通法規や倫理規範を知識グラフとして取り込み、LLM検索と価値モデルで軌道評価を行う自動運転システムを提案。nuScenesで最低衝突率、Bench2DriveとNVISIMで最先端性能を達成。
- マスクから世界へ:世界モデル構築のための実践ガイド世界モデル2025/10/23
初期のマスクモデルから統一アーキテクチャ、対話型生成モデル、記憶拡張システムへと至る世界モデル構築の道筋を、生成・対話・記憶の3要素に焦点を当てて解説する。
- RAPID Hand:汎用ロボット自律性のための堅牢・低コスト・知覚統合型巧みな操作プラットフォームマニピュレーション2025/6/1
低コストで高自由度な多指ハンドと、触覚・視覚・固有感覚を統合した知覚系、高自由度テレオペレーションを共同設計し、高品質な操作データを収集できるプラットフォームを提案。
- 自動運転のための生成AI:フロンティアと機会自動運転2025/5/1
生成AI(VAE・GAN・拡散モデル・LLM)を自動運転スタック全体にどう応用するかを体系的に整理したサーベイ。データ生成からEnd-to-End運転、デジタルツイン、評価・安全・規制まで課題と研究方向をまとめる。
- 関節故障に耐える脚式ロボットの統合型レジリエント制御歩行2025/2/1
脚式ロボットの関節故障やセンサ故障に適応するため、マスキング機構を用いた2段階学習のモデルフリー制御フレームワークUMCを提案し、故障時のタスク達成率を平均36〜39%向上させた。
- VinT-6D:視覚・触覚・固有感覚を統合した大規模物体把持データセットマニピュレーション2025/1/1
ロボットの手先操作のための、視覚・触覚・固有感覚を統合した大規模データセットVinT-6Dを構築し、シミュレーションと実環境の両方で200万件以上のデータを収集した。
