Mohit Shridhar
収録論文 16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
- EXIMO: VLMによるVLAポリシー探索のガイドVLA/強化学習2026/8/20
VLAポリシーの効率的なファインチューニング手法EXIMOを提案。VLMをプランナーとして使い、長期的なタスクを分解してデータ収集し、模倣学習とオフポリシーRLで最適化する。
- ロボットポリシー編成における重要要素:階層型VLAエージェントの体系的研究VLA/階層制御2026/6/9
階層型VLAシステムの設計原則を体系的に研究し、プランナーとコントローラの選択や接続方法などが性能に与える影響を分析。導出した原則に基づくシステムが、フラットなVLAや素朴な階層構造より優れることをシミュレーションと実機で示した。
- Gemini Robotics 1.5:高度な身体性推論・思考・動作転移で汎用ロボットの最前線を押し広げるVLA2025/10/1
異種ロボットデータから学ぶ動作転移機構と自然言語での多段階推論を組み合わせたVLAモデルと、身体性推論に特化したモデルを発表し、複雑な多段階タスクの実行と解釈性を向上させた。
- ExoStart: センサ付き外骨格による巧みな操作の効率的学習マニピュレーション2025/6/1
低コストのウェアラブル外骨格で人間の手の動きを収集し、シミュレーションで動力学フィルタリングして強化学習の初期化に用いることで、ロボットハンドの巧みな操作を実機にゼロショット転移させる学習フレームワークを提案。
- PerAct2: 両腕ロボットマニピュレーションのベンチマークと学習マニピュレーション2024/7/1
RLBenchを両腕タスクに拡張し、13タスク・23バリエーションのベンチマークを構築するとともに、言語条件付き行動クローニングエージェントPerAct2を提案した。
- 画像生成モデルを行動モデルとして活用するGENIMAマニピュレーション2024/7/1
Stable Diffusionを微調整し、RGB画像上に目標関節動作を描画させる行動クローニングエージェントを提案。RLBenchと実世界の操作タスクで、シーン変化への頑健性や新規物体への汎化性能が向上することを示した。
- 言語と行動の橋渡し:言語条件付きロボットマニピュレーションのサーベイマニピュレーション2023/12/1
自然言語指示でロボットを操作する研究を、言語の使われ方(状態評価・方策条件・認知計画・統合VLA)で分類し、最新手法と課題を整理したサーベイ。
- GenSim: 大規模言語モデルによるロボットシミュレーションタスクの生成sim2real2023/10/1
大規模言語モデルを活用して、ロボットシミュレーションの多様なタスクと専門家デモを自動生成する手法を提案し、タスクレベルの汎化性能を大幅に向上させた。
- AR2-D2: ロボットなしでロボットを訓練する模倣学習2023/6/1
スマホARアプリで人間の物体操作を記録し、実機ロボットの行動クローニング訓練データとして活用できることを示した研究。
- Perceiver-Actor: ロボット操作のためのマルチタスクTransformerマニピュレーション2022/9/1
言語条件付き行動クローンエージェントPerActを提案し、RGB-Dボクセル観測とPerceiver Transformerを用いて6-DoF操作を効率的に学習、少数のデモで多タスクを実現した。
- CLIPort: ロボット操作のための「何を」と「どこで」の二経路VLA2021/9/1
CLIPの意味理解とTransporterの空間精度を組み合わせた二ストリーム模倣学習エージェントを提案し、言語指示による卓上操作を物体姿勢などの明示的表現なしで実現した。
- 3D物体と言語の接地:形状・輪郭表現の理解に向けた新ベンチマークSNARE言語接地2021/7/1
3D物体を対象に、視覚的・非視覚的な言語表現から参照物体を選ぶ新タスクSNAREを提案し、CLIP系モデルが形状理解で弱いことを示した上で視点推定の追加が精度を向上させることを明らかにした。
- ALFWorld:テキストと身体環境を統合した対話型学習シミュレータVLA2020/10/1
テキストベースの抽象的な計画学習と視覚環境での具体的な行動実行を橋渡しするシミュレータALFWorldを提案し、抽象知識が視覚接地行動に転移して汎化を向上させることを示した。
- ALFRED:日常タスクの指示を解釈するためのベンチマークVLA2019/12/1
自然言語の指示と視点映像から家庭内タスクの行動系列を学習するベンチマークALFREDを提案し、既存モデルでは性能が低いことを示した。
- 対話的に指示表現を視覚的に接地するロボットシステムINGRESS指示接地2018/6/1
自然言語の指示から物体と関係を推論して把持・配置するロボットシステムを提案し、生成ベースの2段階ニューラルネットで接地と曖昧性解消の質問生成を実現した。
- 自然言語指示による物体検索のための時空間・意味的グラウンディングVLA2017/7/1
自然言語の指示表現を画像中の物体とその空間関係に直接対応付ける2段階のニューラルネットワークを提案し、未見物体の把持・配置を行うロボットシステムを実現した。
