Nico Bohlinger
Technical University of Darmstadt
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
- タングラム組み立てのためのマルチエージェント物体中心強化学習マニピュレーション2026/11/6
各パーツをエージェントとして扱い、グラフニューラルネットワークと共有方策で連続的な組み立て制御を学習する物体中心強化学習フレームワークを提案し、平面タングラム組み立てで実機転移まで示した。
- 加速度ベースの報酬でヒューマノイド歩行を数分で学習するSTRIDE歩行2026/11/6
機体のIMUだけで得られる加速度指令への追従を報酬とし、オフポリシーRLと左右対称拡張を組み合わせて、ヒューマノイドの歩行を約14分のサンプルで学習させる手法を提案した。
- 歩いた場所を記憶せよ:脚式ロボットのエンドツーエンド探索のための空間記憶学習歩行2026/10/27
脚式ロボットの迷路探索向けに、位置ベースの記憶セルに情報を保存するLocal Spatial Matrix Memory(LSMM)を提案し、長期記憶を必要とする探索で従来手法より優れた地図再構成性能を示した。
- CrossBFM: ヒューマノイド間で共有される潜在行動空間の蒸留VLA2026/9/29
リターゲティングを利用して、複数のヒューマノイドに共通の潜在行動空間を1GPU時間未満で蒸留し、10GPU時間の追従学習で全身制御を実現する手法を提案。
- ChronoSRL: 自己教師あり強化学習のための時間的幾何学強化学習2026/9/28
状態行動とゴールの埋め込み間の距離を到達時間に一致させる時間的幾何学を導入し、生存強化学習と組み合わせて、より速く信頼性の高いゴール到達を実現する手法を提案。
- 四足歩行のための迅速な身体適応フレームワーク歩行2026/8/1
四足ロボットが身体の変化(関節の制限や質量の変化)に迅速に適応するためのオンライン適応フレームワークを提案し、シミュレーションと実機で有効性を示した。
- 身体を形作る:多形態ロボット設計のための価値勾配ロボット設計2026/6/1
複数のロボット設計で訓練した価値関数を微分可能な代理モデルとして使い、勾配法で新しいロボットの形態を最適化する手法を提案した。
- 脚式ロボットのための強化学習による能動的身体識別脚式ロボット2026/5/1
脚式ロボットが環境との相互作用を通じて自身の身体パラメータを能動的に推定する手法を提案し、シミュレーションで異なる形態に対して有効性を示した。
- 駆動脊椎を備えたアジャイル四足歩行の評価四足歩行2026/5/1
四足ロボットに駆動脊椎を追加することで、高速走行や階段・斜面・障害物の克服などアジャイルな動きが向上するかをシミュレーションで検証した論文。
- ギャップを埋める:垂直地面外乱を伴う四足歩行の強化歩行2025/10/1
振動する橋の上で四足ロボットの歩行を強化学習で訓練し、垂直地面外乱に対する安定性と適応性を向上させる手法を提案した。
- 大規模マルチ身体ロコモーション:極端な身体ランダム化による汎用歩行制御歩行2025/9/1
50種類の脚型ロボットで訓練した単一の歩行ポリシーを提案し、未知の実機ヒューマノイドと四足歩行ロボットへのゼロショット転移を実現した。
- 低コスト四足歩行ロボットのための堅牢な自己位置推定・地図生成・ナビゲーション歩行2025/5/1
接触支援型の運動学・視覚慣性オドメトリ・深度安定化視覚を組み合わせ、低コストな四足歩行ロボットが深度カメラのみで環境の2D地図生成・自己位置推定・自律ナビゲーションを行えるシステムを提案した。
- ロボット歩行における身体性スケーリング則への試み歩行2025/5/1
約1000種のロボット身体を手続き的に生成し、多様な身体で訓練するほど未知の身体への汎化が向上することを歩行タスクで示し、実機のUnitree Go2やH1にもゼロショット転移した。
- 8分で歩き出す:四足歩行ロボットの全方位移動を実機で効率的に学習歩行2025/3/1
オフポリシー強化学習アルゴリズムCrossQを用いて、四足ロボットの全方位歩行を実機上でわずか8分のリアルタイム学習で獲得するフレームワークを提案した。
- 多様な脚式ロボットを制御する単一ポリシー:エンドツーエンド学習によるマルチエンボディメント歩行歩行2024/9/1
形態に依存しないエンコーダ・デコーダを備えた統合ロボット形態アーキテクチャURMAを提案し、四足・人型・六脚など異なる脚式ロボットを単一の歩行ポリシーで制御、未見の機体にもゼロ/少数ショット転移できることを示した。
- RL-X: RoboCup向け深層強化学習ライブラリ強化学習ライブラリ2023/10/1
JAXベースで高速な深層強化学習ライブラリRL-Xを開発し、RoboCupサッカーシミュレーション3Dリーグや標準ベンチマークで既存手法より最大4.5倍の高速化を実現した。
