Ruigang Yang
収録論文 15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
- I2O2I-Nav: 屋内-屋外-屋内の長距離ナビゲーションのためのベンチマークとモジュラーエージェントナビゲーション2026/10/13
屋内と屋外をまたぐ長距離ナビゲーションを評価する物理シミュレーションベンチマークを構築し、複数の固定ナビゲーションポリシーを連携させるモジュラーエージェントを提案した。
- ビデオからドア通過へ:シミュレートされたドア双子による押しドア通過ロコマニピュレーション2026/8/20
実ドアのRGBビデオからシミュレーション用のドア双子を再構築し、シミュレーション内でスキルプログラムを学習・改善して、車輪付き脚式移動マニピュレータによるドア通過を実現するフレームワークを提案。
- SimWeaver: 変形物操作のためのゼロショットRGBシミュレーションから実世界への転移変形物操作/sim2real2026/6/1
変形物操作のためのRGBシミュレーションから実世界への転移を、実世界での微調整なしで実現する手法を提案。シミュレーション上のデモンストレーションのみで訓練したVLAポリシーが、5つの多様な変形物タスクで高い成功率を達成した。
- StairMaster: 危険な中空階段を克服する俊敏な四足ロボットの学習歩行2026/6/1
四足ロボットが中空階段を登るための強化学習フレームワークを提案し、実機で最大55度の傾斜をゼロショットで登ることに成功した。
- 実衣服ベンチマーク(RGBench):高忠実度スケーラブルシミュレータを備えたロボット衣服操作のための包括的ベンチマーク変形物体操作2025/11/1
ロボットによる衣服操作の研究を加速するため、6000以上の衣服メッシュモデルと高性能シミュレータ、評価プロトコルを備えたベンチマークRGBenchを提案した。シミュレータは既存手法より誤差を20%削減しつつ3倍高速である。
- 物理シミュレータと世界モデルによる身体性知能の学習:サーベイ身体性AI/サーベイ2025/7/1
物理シミュレータと世界モデルを組み合わせて身体性AIを学習する最近の研究を体系的にレビューし、両者の補完的な役割とsim-to-realの課題を整理したサーベイ。
- OLiDM: 自動運転のための物体認識型LiDAR拡散モデルLiDAR生成2024/12/1
物体レベルとシーンレベルの両方で高品質なLiDAR点群を生成する拡散モデルを提案し、前景物体の制御性と背景との整合性を向上させた。
- NPC: 燃料効率の良い自動運転トラックのためのニューラル予測制御制御2024/12/1
車両の物理モデルを使わず、履歴データから注意機構で車両動態・道路勾配・燃料消費・制御指令の関係を学習し、燃料効率の良い制御を実現する手法を提案。
- 高速道路輸送のためのインテリジェント自動運転トラックシステム自動運転/sim2real2021/12/1
交通シミュレーション・高忠実度トラックモデル・学習ベースの計画モジュールを統合した自動運転トラックシステムを構築し、実車実験でsim2realギャップの低減を示した。
- 深度誘導による動画インペインティング:自動運転向けの交通主体除去自動運転/動画インペインティング2020/7/1
深度・点群をガイドに複数動画を3D地図上で統合し、長時間遮蔽された領域も補完して交通主体を除去する動画インペインティング手法を提案。
- 不確実性下でのロバストなナビゲーション行動の学習ナビゲーション2019/10/1
環境の不確実性を予測するモジュールを組み込んだ強化学習ネットワークを提案し、未知環境でも衝突を避けつつ適応的に経路生成できるロボットナビゲーション手法を実現した。
- TrafficPredict: 多種交通エージェントの軌跡予測軌跡予測2018/11/1
LSTMを用いて車・自転車・歩行者など異種交通エージェントの将来軌跡をリアルタイム予測する手法を提案し、大都市で収集したデータセットで従来法より高精度を示した。
- 密集した人混みでロボットが立ち往生せず迷わないナビゲーション混雑環境ナビゲーション2018/10/1
強化学習による局所ナビゲーションで人混みの中でロボットの立ち往生を防ぎつつ、特徴の豊富な復帰位置を動的に選ぶことで自己位置推定の失敗からも回復するナビゲーション手法を提案した。
- 自然言語指示に従う複雑環境での安全ナビゲーションナビゲーション2018/9/1
「レストランへ行き、人から離れて」といった自然言語指示を目標・制約・無情報に分類し、動的に解釈しながら移動障害物を避けて安全に経路計画・ナビゲーションするシステムを構築した。
- 群衆環境での自律型マップレスナビゲーションナビゲーション2018/7/1
マルチロボット・マルチシナリオ・マルチステージの3M学習フレームワークで、歩行者群衆のような動的環境でも安全に動けるマップレスナビゲーション方策を強化学習で獲得した研究。
