Norman Di Palo
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
- 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。
- Gemini Robotics:AIを物理世界へVLA2025/3/1
Gemini 2.0を基盤に、ロボットを直接制御できる汎用VLAモデル「Gemini Robotics」と、空間・時間理解を強化した推論モデル「Gemini Robotics-ER」を提案した論文。
- 拡散拡張エージェント:効率的な探索と転移学習のためのフレームワークVLA2024/7/1
大規模言語モデル・視覚言語モデル・拡散モデルを組み合わせ、過去の経験を拡散モデルで目標指示に合わせて変換する後知恵経験拡張により、強化学習のサンプル効率と転移学習を改善するフレームワークを提案。
- R+X: 日常の人間動画からの検索と実行VLA2024/7/1
ラベルなしの一人称視点人間動画から言語指示に応じて関連クリップを検索し、文脈内模倣学習でロボットが即座にスキルを実行できるフレームワーク。
- キーポイント行動トークンによるロボットの文脈内模倣学習模倣学習2024/3/1
視覚観察と行動軌跡をトークン列に変換し、言語学習済みTransformer(GPT-4 Turbo)を追加学習なしで使って少数の実演から模倣学習を実現する手法を提案。
- DINOBot: 視覚基盤モデルを用いた検索と位置合わせによるロボットマニピュレーションマニピュレーション2024/2/1
DINOで学習したVision Transformerの特徴量を使い、似た物体をデモから検索してエンドエフェクタを位置合わせすることで、新しい物体への汎化性能を高めた模倣学習フレームワーク。
- マニピュレーションにおける検索・位置合わせ・再生の有効性マニピュレーション2023/12/1
模倣学習を「何ができるか」「どこで操作するか」「どう操作するか」の3段階に分解し、実世界タスクで学習効率と汎化性能が大幅に向上することを示した。
- 言語モデルをゼロショット軌道生成器として使うVLA2023/10/1
GPT-4が物体検出とセグメンテーションだけを頼りに、マニピュレーションタスクのエンドエフェクタ軌道を直接予測できるかを30の実世界タスクで検証した。
- Open X-Embodiment: ロボット学習データセットとRT-XモデルVLA2023/10/1
21機関・22種のロボットからなる大規模データセットを構築し、異なるロボットやタスクに適応できる汎用ロボット方策RT-Xを学習した研究。
- 基盤モデルによる統合エージェントに向けてVLA2023/7/1
言語モデルを強化学習エージェントの中核推論ツールとして組み込み、探索・経験再利用・スキルスケジューリング・観察学習を単一フレームワークで扱えることを示した研究。
- 一度の実演で即座に模倣:視覚サーボによるワンショット模倣学習ワンショット模倣学習2022/4/1
1回の実演からタスクを学習し、追加データなしで即座に実行できるワンショット模倣学習手法DOMEを提案。物体セグメンテーションと視覚サーボで実演時と同じ相対姿勢に移動し、実演の速度を再生してタスクを完了する。
- 自己リプレイによる1回の実演からの多段階タスク学習模倣学習2021/11/1
1回の人間の実演から、物体知識なしに多段階の日常タスクを模倣学習する手法を提案。対象物体へ到達して実演を再生するサイクルを繰り返し、自律的に学習データを収集する。
- 粗から細へのsim-to-real:広いタスク空間でのサブミリ精度sim2real2021/5/1
古典的な運動計画と学習ベースのEnd-to-End制御を組み合わせた粗から細への制御フレームワークを提案し、広いタスク空間でサブミリ精度のゼロショットsim-to-realを実現した。
- SAFARI: 想像を活用した安全で能動的なロボット模倣学習模倣学習2020/11/1
分布外状況で人間に追加の実演を要求する能動学習と、モデルベース計画で状態分布シフトを抑える模倣学習手法を提案し、マニピュレーションタスクでの性能向上と失敗の早期安全予測を示した。
- ノイズ除去オートエンコーダによる軌道最適化の正則化モデルベース強化学習2019/3/1
学習した環境モデルによる軌道最適化の誤差悪用を防ぐため、同じ軌道で訓練したノイズ除去オートエンコーダで正則化する手法を提案し、運動制御タスクでの初期学習の高速化を示した。
- 再構成誤差に基づく不確実性推定でモデルベース制御と能動探索を改善モデルベース制御2018/12/1
モデルの予測誤差から不確実性を見積もり、自信のある予測を選んで制御性能を高めるとともに、不確実性の高い軌道を計画して効率的に環境を探索・学習する手法を提案した。
