Samuel Triest
Carnegie Mellon University
収録論文 11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
- TravSUITE: 自己教師あり・不確実性考慮型IRLと地形推定による走行可能性解析走行可能性/オフロード/自己教師あり学習2026/10/23
視覚基盤モデルを用いたボクセルマッピングと、BEVで幾何・意味・速度・コストを統合予測する自己教師ありネットワークにより、オフロード高速走行のための走行可能性を推定するシステムを提案。
- オフロード走行ダイナミクス学習のための空間構造を活かした知覚表現オフロード走行/ダイナミクス学習2026/10/16
予測状態周辺のBEV特徴をクエリして次状態を予測するSpatialBEVを提案し、オフロードでのダイナミクス予測誤差を17.1%低減、高速走行時の横偏差も25.3%削減した。
- オフロード環境における画像ベースのアフォーダンス予測のためのグローバル走行可能性事前知識の蒸留ナビゲーション2026/7/1
衛星画像から得た長距離の走行可能経路を教師として、第一人称視点画像から走行可能性フロンティアを予測するネットワークを学習し、長距離オフロードナビゲーションの性能を向上させた。
- SALON: オフロード走行のための自己教師あり適応学習ナビゲーション2024/12/1
人間の入力なしにオンラインで経験から素早く適応し、リスクを考慮した走行可能性マップを生成する知覚・行動フレームワークを提案。100〜1000倍のデータで学習した手法に匹敵する性能を実現した。
- UNRealNet: 実環境の高精度スキャンから不確実性を考慮したナビゲーション特徴を学習ナビゲーション2024/7/1
低品質なLiDARスキャンから高精度な走行可能領域特徴を予測する不確実性対応ネットワークを提案し、脚ロボットでの有効性を示した。
- 自己教師あり高解像度オフロードマッピングのための深層ベイズ未来融合オフロードマッピング2024/3/1
スパースなステレオ・LiDAR深度データからベイズフィルタリングと知覚損失を組み合わせ、30m先まで2cm解像度の高精細オフロード地図を生成する手法を提案。
- TartanDrive 2.0：オフロード走行の自己教師あり学習研究を加速するマルチモーダル大規模データセットオフロード自律走行/自己教師あり学習2024/2/1
オフロード走行の自己教師あり学習向けに、LiDAR3基を追加した7時間の大規模データセットと、収集・処理・クエリ用のツール群を公開した。
- PIAug：物理情報に基づくデータ拡張によるオフロード走行の車両ダイナミクス学習sim2real2023/11/1
低速データしかない状況で、物理モデルを用いて中・高速域のデータを生成し、物理に基づく損失関数と組み合わせてニューラルネットワークを学習させることで、オフロード車両の高速・アグレッシブな挙動予測精度を向上させた研究。
- 逆強化学習によるリスク認識型コストマップの学習：オフロードナビゲーションへの応用オフロードナビゲーション2023/2/1
逆強化学習と並列モデル予測制御を組み合わせ、不確実性を考慮した深層コスト関数を効率的に学習する手法を提案し、オフロード走行で専門家経路の再現性と介入削減を実証した。
- 自己教師ありコストマップ学習によるオフロード走行の走破性予測走破性予測2022/9/1
外界センサ情報と自己受容感覚による地形との相互作用フィードバックを自己教師ありで組み合わせ、オフロード環境での走破性コストマップを予測する手法を提案。ロボットの速度も考慮し、大規模なナビゲーション実験で介入回数を最大57%削減した。
- オフロード走行のダイナミクス学習のための大規模データセットTartanDriveオフロード走行/データセット2022/5/1
多様な地形で7種類のセンサを用いて約20万回のオフロード走行データを収集し、モデルベース強化学習手法のベンチマークを行った大規模データセット論文。
