Robin Walters
収録論文 36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
- アクションマップポリシー：ピクセル分類による3D閉ループ操作の学習マニピュレーション2026/7/1
ロボットの操作行動をカメラ画像平面上のピクセル位置として分類問題に変換し、高次元で多峰性の行動を効率的に学習する手法を提案。拡散ポリシーより高速で高精度な推論を実現。
- Pix2Act: 等変オーグメンテーションを用いた画像空間操作ポリシーマニピュレーション2026/7/1
カメラ平面上の2D軌跡として操作行動を表現し、三角測量でエンドエフェクタの姿勢を復元する模倣学習手法を提案。観測と行動を同じ座標系に揃えることで等変変換を可能にし、汎化性能を向上させた。
- BCでQ関数を作る：模倣学習からQ値を抽出してロボット上で強化学習を行うロボット学習2026/5/1
模倣学習（BC）のポリシーからQ関数を抽出し、オンライン強化学習でBCとRLの行動をQ値で切り替えることで、効率的なオフラインからオンラインへの学習を実現する手法Q2RLを提案した。
- 黄金のチケット：単一のノイズベクトルで生成ロボットポリシーを改善VLA2026/3/1
事前学習済みの拡散・フローマッチングポリシーに対し、ガウス分布から毎回サンプリングする代わりに固定の初期ノイズ（黄金のチケット）を与えることで、追加学習なしにタスク成功率を向上させる手法を提案。
- 物体中心表現による汎化可能な階層的スキル学習マニピュレーション2025/10/1
物体中心のスキルプリミティブを介して視覚言語モデルと低次視覚運動ポリシーを橋渡しし、少ないデモでロボット操作の汎化とサンプル効率を大幅に向上させる階層的学習フレームワークを提案。
- クレブシュ・ゴルダン変換器：高速で大域的な同変アテンション同変Transformer2025/9/1
SO(3)の既約表現上でのクレブシュ・ゴルダン畳み込みにより、全次数の同変特徴を扱いつつO(N log N)の大域アテンションを実現したTransformerを提案。n体シミュレーションやロボット把持などで既存手法より高精度・高速・省メモリを達成。
- 球面フーリエ空間におけるSE(3)同変拡散方策マニピュレーション2025/7/1
拡散方策を球面フーリエ空間に埋め込み、シーンの3D変換に応じて軌道を適応させるSE(3)同変な操作方策を提案し、シミュレーションと実機で汎化性能を大幅に向上させた。
- 球面投影による3D同変視覚運動ポリシー学習VLA2025/5/1
単眼RGB画像から球面に特徴を投影し、点群再構成なしでSO(3)同変な拡散ポリシーを学習する手法を提案。
- 拡散ポリシーに对称性を組み込むための実践的ガイドVLA2025/5/1
拡散ポリシーに完全な同変設計を必要とせず、不変表現や同変視覚エンコーダ、フレーム平均化などの実践的手法で対称性の利点を組み込む方法を検討し、その有効性を実験的に示した。
- EquAct: 開ループロボット操作のためのSE(3)同変マルチタスクトランスフォーママニピュレーション2025/5/1
言語条件付き3D操作ポリシーにSE(3)同変性を組み込み、シーン変換に対する空間汎化性能を向上させたマルチタスクトランスフォーマを提案。
- 等変モデルと把持スコア最適化によるプッシュ・把持方策学習マニピュレーション2025/4/1
SE(2)等変性を取り入れたネットワークと把持スコア最適化により、散らかった環境でのプッシュと把持を統合的に学習する手法を提案し、シミュレーションと実機で成功率を大幅に改善した。
- フレーム転送による階層的同変方策マニピュレーション2025/2/1
高レベル方策の出力を低レベル方策の座標フレームとして用いるフレーム転送インターフェースを提案し、両階層にドメイン対称性を組み込んだ階層的同変方策を実現した。複雑なロボットマニピュレーションで最先端性能を達成。
- 粗から細への3Dキーフレームトランスポーターマニピュレーション2025/2/1
キーフレーム模倣学習における双同変対称性を利用し、把持物体とシーンの特徴の相互相関で行動を評価するTransporter Networksベースの手法を提案。粗から細へのSE(3)行動評価により、シミュレーションで10%以上、実機実験で平均55%の性能向上を達成した。
- 強化学習と計画のための同変アクションサンプリング強化学習/計画2024/12/1
ロボット操作などの対称性を持つ連続制御タスクにおいて、サンプリングベースの行動選択に同変性を導入し、MPPI計画法に適用することで効率と性能を向上させる手法を提案した。
- MATCH POLICY：点群位置合わせから操作ポリシーへのシンプルなパイプラインマニピュレーション2024/9/1
ピック＆プレースの対象をデモと点群位置合わせで対応付けることで、学習なしに高精度な操作ポリシーを実現する手法を提案。
- 同変拡散ポリシー模倣学習2024/7/1
拡散モデルを用いた模倣学習にSO(2)同変性を導入し、ノイズ除去関数のサンプル効率と汎化性能を向上させる手法を提案。
- OrbitGrasp: SE(3)同変な把持学習マニピュレーション2024/7/1
点群入力からSE(3)把持姿勢を検出するため、球面調和基底で連続的な把持品質関数を学習するSE(3)同変モデルを提案し、シミュレーションと実機で性能を向上させた。
- テキスト・視覚関連性と同変言語マッピングによる効率的で堅牢な言語条件付きマニピュレーションの学習言語条件付きマニピュレーション2024/6/1
事前学習済み視覚言語モデルと同変言語マッピングを組み合わせ、少ないロボットデータで言語指示に基づく操作を高精度かつ堅牢に実現する手法GEMを提案。
- 想像ポリシー：生成的点群モデルを用いたマニピュレーションポリシーの学習マニピュレーション2024/6/1
目標状態の点群を生成し、剛体動作推定で行動に変換するマルチタスク・キーフレームポリシーを提案。RLbenchで高性能を示し、実機でも検証した。
- フーリエトランスポーター：3Dロボット操作における双等変性マニピュレーション2024/1/1
ピック＆プレースのSE(d)×SE(d)対称性を利用し、フーリエ変換でメモリ効率よく等変性を組み込んだ行動クローニング手法を提案。RLbenchで最先端性能を達成。
- ピック・アンド・プレイスにおける対称性の活用マニピュレーション2023/8/1
平面ロボットのピック・アンド・プレイスに存在する対称性を分析し、同変ニューラルモデルをTransporter Netに組み込むことで、少ないデモンストレーションで効率的に学習できるEquivariant Transporter Netを提案した。
- ユークリッド対称性は強化学習と計画に活用できるか？強化学習2023/7/1
強化学習と計画問題におけるユークリッド群対称性を統一的に扱う理論を提案し、同変なサンプリングベース計画アルゴリズムを構築する手法を開発した。
- 等変モデルを用いたロボット把持学習マニピュレーション2023/6/1
平面把持関数のSE(2)等変性を利用してニューラルネットを制約し、実機で600回の把持試行から1.5時間以内に把持を学習するSymGraspを提案。
- インタラクションワーピングによるワンショット模倣学習模倣学習2023/6/1
物体の形状ワーピングを用いて単一の実演からSE(3)操作方策を学習する手法を提案し、物体再配置タスクで成功を示した。
- エッジグラスプネットワーク：グラフベースのSE(3)不変な把持検出マニピュレーション2022/11/1
点群入力から6自由度の把持姿勢を検出するため、SE(3)不変なグラフベースのニューラルネットワークを提案し、任意視点の単視点点群でも高い把持成功率を実現した。
- 潜在対称性を持つ領域における同変モデルの意外な有効性ロボット操作2022/11/1
入力に現れない潜在的な対称性を持つロボット操作・制御タスクにおいて、厳密に一致しない同変制約を課すことが学習を助け、非同変手法より大幅に性能が向上することを示した研究。
- SEIL: シミュレーション拡張同変模倣学習模倣学習2022/11/1
実世界の専門家軌道にシミュレーション遷移を補完するデータ拡張とO(2)対称性を活用した同変モデルを組み合わせ、10回のデモンストレーションで非自明なマニピュレーションタスクを学習する手法を提案。
- ステアラブル畳み込みによる微分可能計画への対称性の統合計画2022/6/1
経路計画をグリッド上の信号として扱い、価値反復が回転・反射対称性を持つ線形等変演算子（ステアラブル畳み込み）であることを示し、VINを拡張して訓練効率と汎化性能を大幅に改善した。
- マルチエージェント動力学のための確率的対称性マルチエージェント予測2022/5/1
回転同変性を活用した新しい深層モデルPECCOを提案し、マルチエージェントの軌道を確率的に予測して不確実性を校正する。
- オブジェクト指向世界モデルにおける合成的汎化への挑戦世界モデル2022/4/1
オブジェクト指向環境での強化学習において、世界モデルが未知のオブジェクト組み合わせに汎化する問題を定式化し、効率的な合成的汎化を実現する微分可能な手法HOWMを提案した。
- 等変モデルによる実機ロボット学習マニピュレーション2022/3/1
等変ニューラルネットワークを実機マニピュレーションの強化学習に適用し、シミュレータやオフラインデータなしで1〜2時間以内に複数の非自明なタスクを学習できることを示した。
- SO(2)同変強化学習強化学習2022/3/1
最適Q関数と方策の同変・不変性を利用し、回転対称なロボット操作問題向けに同変DQNとSACを提案、サンプル効率の大幅改善を示した。
- 等変モデルによるサンプル効率の高い把持学習マニピュレーション2022/2/1
最適な把持関数がSE(2)等変性を持つことを利用し、等変畳み込みネットワークでモデル化することで、わずか600回の把持試行で実機ロボットが約1.5時間で把持を学習できることを示した論文。
- 同変トランスポーターネットワークマニピュレーション2022/2/1
ピックとプレースの両方の向きに対して同変なTransporter Netを提案し、少ない実演から効率的に操作方策を学習して成功率を向上させた。
- 空間行動空間における同変Q学習マニピュレーション2021/10/1
画像状態とSE(2)行動空間の回転・並進対称性を利用した同変Qネットワークを提案し、操作タスクでのサンプル効率を向上させた論文。
- 同変連続畳み込みによる軌道予測軌道予測2020/10/1
流体力学の対称性の知見を取り入れ、回転同変な連続畳み込みで車両や歩行者の軌道を予測するECCOを提案し、少ないパラメータで高精度かつ物理的に整合した予測を実現した。
