Mohit Bansal
UNC Chapel Hill
収録論文 18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
- 失敗から学べる世界へ:ナビゲーションエージェントのためのポリシー条件付き環境生成ナビゲーション2026/10/14
事前学習済みナビゲーションエージェントの失敗モードをLLMで分析し、その弱点を狙った訓練環境を自動生成することで、適応性能を向上させるフレームワークWEDGEを提案した。
- WOVEN: 視覚的遷移推論をマルチモーダルLLMに織り込むVLA2026/10/8
視覚的遷移推論を共通の学習プリミティブとして扱い、そのための学習データとベンチマークWOVENを構築。38の最先端MLLMが人間を大きく下回ることを示し、WOVENで訓練すると広範なタスクへ転移することを実証した。
- Ego2Act: 一人称視点動画生成における目標指向マニピュレーションの評価動画生成/マニピュレーション2026/10/1
一人称視点の動画生成モデルが、高レベルの目標から多段階の物体操作をどれだけ現実的にシミュレートできるかを評価するベンチマークEgo2Actと、参照不要の評価器Ego2ActJudgeを提案した。
- EgoMemReason: 長時間の自己中心視点映像理解のための記憶駆動型推論ベンチマークビデオ理解2026/5/11
数日間にわたる自己中心視点映像の理解を評価する新しいベンチマークを提案し、エンティティ記憶、イベント記憶、行動記憶の3種類の記憶に基づく推論をテストする。
- Prune-Then-Plan: 身体性質問応答における安定したフロンティア探索のためのステップレベル校正VLA2025/11/1
VLMの過信によるフロンティア振動を抑えるため、ステップレベルで候補を枝刈りしてからカバレッジベースのプランナに決定を委ねる枠組みを提案し、EQAの探索効率と回答品質を改善した。
- IndustryNav: 動的産業環境における身体性エージェントの空間推論ベンチマークナビゲーション2025/11/1
動的な倉庫を再現したUnity環境で、視覚言語モデルによる能動的なナビゲーションと空間推論を評価する初の産業向けベンチマークを提案し、最先端モデルの安全性や計画能力の課題を明らかにした。
- 一度きりの人生で学ぶ:未誘導探索から確率的環境の記号的世界モデルを推論する世界モデル2025/10/14
人間の助けなしに一度きりの探索で複雑な確率的環境の遷移をプログラムとして学習するフレームワークOneLifeを提案し、状態ランキングと忠実度で評価した。
- VER: 基盤モデル蒸留と動的ルーティングによるロボット学習のための視覚エキスパートトランスフォーマーVLA2025/10/1
複数の視覚基盤モデルを蒸留してエキスパートライブラリを構築し、軽量なルーティングネットワークでタスクに応じた専門家を動的に選択することで、17種類のロボットタスクで最先端性能を達成した。
- SAME: 状態適応型エキスパート混合による汎用言語誘導視覚ナビゲーションの学習ナビゲーション2024/12/1
異なる粒度の言語指示による7つのナビゲーションタスクを統一的に扱うため、状態に応じて専門家を切り替えるMixture of ExpertsモデルSAMEを提案し、タスク特化型エージェントに匹敵する性能を実現した。
- 検証セットによる身体性エージェントの汎化性能評価の限界についてVLA2022/5/1
ALFREDベンチマークで視野拡大と行動選択モジュールを追加したTransformerモデルが未見検証セットで最高性能を示したが、未見テストセットでは性能が低下し、検証セットでの性能が汎化の十分な指標にならないことを示した論文。
- ArraMon: 動的環境におけるナビゲーションと組み立てを統合した指示解釈タスクVision-and-Language Navigation2020/11/1
自然言語指示に従って屋外環境を移動し物体を集めた後、集めた物体をグリッド上に組み立てる新タスクArraMonを提案し、3D動的環境シミュレータと英語・ヒンディー語のデータセットを構築した。
- 常識推論で不完全な自然言語指示を理解するロボット言語指示・常識推論2019/4/1
自然言語の指示を動詞フレームに解析し、周囲の物体観察と言語モデルから蒸留した常識推論で不足情報を補完してロボットがタスクを実行できる手法を提案した。
- 属性ベース自然言語指示からの動的制約マッピングによる効率的な動作計画生成言語指示動作計画2017/7/1
自然言語指示を動的制約マッピングでコスト関数とパラメトリック制約に変換し、最適化ベース動作計画で滑らかな軌道を自動生成する手法を提案した。
- 空間指示理解のためのソース・ターゲット推論モデル指示理解2017/7/1
空間的な指示文からソースブロックを特定し目標位置へ移動させるタスクに対し、言語と空間世界の表現を共同学習するモデルを提案し、ソース分類精度47%・目標位置距離22%改善した。
- 逆強化学習とニューラル機械翻訳によるナビゲーション指示生成ナビゲーション指示生成2016/10/1
人間の実演から逆強化学習で方策を学習して共有すべき情報を選び、ニューラルseq2seqで自然言語指示に変換するロボットのナビゲーション案内モデルを提案した。
- 視覚と言語信号から関節物体の運動モデルを学習するマニピュレーション2015/11/1
RGB-D映像と言語による動作説明を組み合わせ、家庭内の関節物体の運動学的構造とパラメータを推定するマルチモーダル学習手法を提案し、視覚のみの手法より36%精度を向上させた。
- 衛星画像を活用した高精度な視覚ベース車両位置推定位置推定2015/10/1
地上画像と衛星画像の共起確率を特徴辞書で推定し、高密度な地上画像データベースなしで車両位置を高精度に特定する手法を提案。
- 聞いて、注目して、歩く:案内文から行動系列へのニューラルマッピング言語指示ナビゲーション2015/6/1
自然言語の道案内文を、世界状態の表現に基づいて行動系列へ変換するLSTMベースのエンコーダ・デコーダモデルを提案し、言語資源やタスク固有アノテーションなしでベンチマーク最高性能を達成した。
