Muhammad Haris Khan

MBZUAI

収録論文 17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

• CrossWeave: 疎な2D-3D対応によるクロスモーダルなシーン・インスタンス検索
  クロスモーダル検索2026/10/29

  シーン全体や物体単位の対比学習ではなく、疎な2D-3Dパッチ・点対応の教師信号だけで学習するクロスモーダル検索フレームワークを提案し、単一モデルでシーン検索とインスタンス検索の両方でSOTAを達成した。

• EarlyCommit: 話し終わる前に行動するロボットのための較正された単語単位のコミットメント
  VLA2026/10/14

  指示文の各単語を認識するごとに物体スコアを計算し、較正された確率が閾値に達した時点でロボットが行動を開始するオープンソースツールを提案。

• 説明可能なディープフェイク検出チャレンジ
  ディープフェイク検出2026/7/23

  ディープフェイク検出の判定根拠を説明する能力を競うチャレンジを紹介し、画像分類と自然言語による説明生成の両方を評価するベンチマークを提案している。

• XPlainVerse: 説明可能なディープフェイク検出のための100万規模ベンチマーク
  ディープフェイク検出2026/7/3

  ディープフェイク検出モデルの説明が視覚的証拠に基づくかを評価する大規模ベンチマークを構築し、操作の実体と証拠を正しく特定するかを測る新指標を提案した。

• リアルタイムソースフリー物体検出
  物体検出2026/6/30

  ドメインシフト下でのリアルタイム物体検出を実現するため、YOLOv10ベースの軽量なソースフリー適応手法を提案。二つのヘッドからの擬似ラベル融合とマルチスケール特徴の多様化損失により、精度・速度・パラメータ数を改善した。

• MASt3R-Nav: 相対3DマップにおけるWayPixelナビゲーション
  ナビゲーション2026/5/1

  画像ペア間の相対3D座標系でのピクセル対応に基づくピクセル相対接続性マップを提案し、これをコストマップとして用いて制御器を訓練することで、高精度な視覚ナビゲーションを実現した。

• SafeHumanoid: VLMとRAGによる人型ロボット上半身インピーダンス制御
  ヒューマンロボットインタラクション2025/11/1

  視覚言語モデルと検索拡張生成を組み合わせ、周囲の状況や人間との距離に応じて人型ロボットのインピーダンスと速度を調整する制御パイプラインを提案し、安全性の向上を実証した。

• サイクル一貫性アンカーポイントを活用した自己教師ありRGB-D位置合わせ
  位置合わせ2025/10/1

  サイクル一貫性のあるキーポイントをアンカーとして用い、GRUと変換同期を組み合わせた新たな姿勢推定ブロックにより、自己教師ありRGB-D位置合わせの精度を向上させた研究。

• VLH：視覚・言語・触覚基盤モデル
  触覚2025/8/1

  視覚と言語の理解から空中での力覚・振動フィードバックを生成する基盤モデルVLHを提案し、ドローンとVRで人間とのインタラクション性能を評価した。

• HapticVLM：視覚言語モデルによる触覚テクスチャ認識と知的ハプティックインタラクション
  触覚2025/5/1

  物体の素材を画像から認識し、環境温度も推定して、振動と熱で触感を再現するマルチモーダル触覚フィードバックシステムを提案した論文。

• ImpedanceGPT：VLM駆動のインピーダンス制御による動的環境下でのミニドローン群の知的ナビゲーション
  群制御2025/3/1

  Vision-Language ModelとRAGを組み合わせ、障害物の種類に応じてインピーダンス制御パラメータをリアルタイムに調整することで、ミニドローン群の動的環境下での安全なナビゲーションを実現した研究。

• LLMグラス：視覚障害者ナビゲーションのための触覚フィードバック付き生成AI駆動メガネ
  触覚2025/3/1

  YOLO-WorldとGPT-4oを組み合わせ、視覚情報を触覚パターンに変換して視覚障害者をリアルタイムに誘導するウェアラブルナビゲーションシステムを開発し、その有効性を3つの実験で検証した。

• CognitiveDrone: UAVのリアルタイム認知タスク解決と推論のためのVLAモデルと評価ベンチマーク
  VLA2025/3/1

  ドローンの複雑な認知タスク向けに、一人称視点の画像とテキスト指示からリアルタイム4D行動指令を生成するVLAモデルと、推論モジュールを組み合わせた改良版、および認知タスク評価用ベンチマークを提案した論文。

• RaceVLA: 人間らしい挙動を実現するVLAベースのレーシングドローン航法
  VLA2025/3/1

  視覚・言語・行動(VLA)モデルをドローンレース用データセットで微調整し、人間パイロットのような適応的な航法を実現した研究。

• Evolution 6.0：生成AIによるロボット進化
  VLA2025/2/1

  VLM・VLA・テキストto3D生成モデルを組み合わせ、人間の指示に必要な道具をロボットが自律的に設計・製作し、その使い方を学習してタスクを遂行するシステムを提案。

• GazeGrasp: ウェアラブル視線インターフェースによるDNN駆動ロボット把持
  マニピュレーション2025/1/1

  ESP32カメラとMediaPipe・YOLOv8を組み合わせ、視線で協働ロボットを操作して物体を把持する支援システムを開発し、磁気スナップ効果で作業効率を31%改善した。

• Industry 6.0：生成AIと異種ロボット群が駆動する次世代産業
  群制御2024/9/1

  自然言語の指示だけで製品設計から製造・組立までを自律的に行う完全自動生産システムを提案し、熟練開発者チームの4.4倍の速さで生産を完了できることを示した。