Siyu Zhu
Fudan University
収録論文 13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
- 触覚インタラクション状態のベンチマークとモデリングによるロボットマニピュレーション触覚2026/10/30
128タスクの触覚マニピュレーションベンチマークを構築し、触覚履歴から未来の触覚を予測する世界モデルで触覚状態を学習して行動生成に活用する手法を提案した。
- TacClaw-Infinity: 巧みな操作のための大規模視覚・触覚・言語・行動データセット触覚2026/10/14
触覚対応のハンドヘルド型デバイスで世界中から収集した1万時間・100万エピソード超の視覚・触覚・言語・行動データセットを構築し、異なるロボット間での転移を実証した。
- 連想記憶で潜在世界モデルを強化する手法世界モデル2026/10/14
JEPA型の潜在予測に内容アドレス可能なメモリバンクを組み合わせ、表現崩壊を防ぎつつ長期計画性能を高めた軽量な世界モデルを提案。
- WAM-Diff2: 階層的AR-to-Diffusion蒸留による高効率自動運転VLAVLA2026/8/1
事前学習済みの自己回帰型VLAモデルを、並列実行可能な拡散モデルへ変換するための3段階の階層的蒸留戦略を提案し、推論速度を大幅に向上させつつ性能を維持する。
- 3DThinkVLA: 潜在3D事前知識を3D思考誘導共学習で視覚言語行動モデルに付与するVLA2026/6/3
視覚言語行動(VLA)モデルに、3D幾何知覚と3D空間推論を分離して潜在空間に注入する共学習フレームワークを提案し、推論時の追加テキスト生成なしに暗黙的な3D空間推論を可能にする。
- UniTacVLA: 視覚言語行動モデルにおける統合触覚理解と予測触覚/操作2026/6/1
接触を伴う器用な操作のために、触覚信号を動的な相互作用の手がかりとして扱い、現在の触覚状態と将来の接触変化を統合的にモデル化するフレームワークを提案。触覚連鎖思考と粗密な将来触覚予測により状態・動態を考慮した事前知識を構築し、実時間と予測触覚を組み合わせた混合制御で高精度な操作を実現。
- WAM-Flow: 離散フローマッチングによる並列粗密運動計画自動運転/VLA2025/12/1
自動運転の軌道計画を離散フローマッチングで並列生成するVLAモデルを提案し、NAVSIMで高精度を達成した。
- WAM-Diff: マスク拡散とMoE・オンライン強化学習を統合した自動運転VLAフレームワークVLA2025/12/1
自動運転の軌道生成にマスク拡散モデルを適用し、スパースMoEとオンライン強化学習を組み合わせることで、NAVSIMベンチマークで高い性能を達成したVLAフレームワーク。
- OV9D: オープンボキャブラリなカテゴリレベル9D物体姿勢・サイズ推定6D姿勢推定2024/3/1
任意の新規カテゴリのテキスト記述から、観測画像中の物体の位置・向き・サイズを推定するオープンセット問題に取り組み、大規模合成データセットOO3D-9DとDinoV2・拡散モデルを活用したNOCS推定フレームワークを提案した。
- セマンティックエッジ整合を用いたコンパクト3Dマップによる単眼カメラ定位単眼定位2021/3/1
低コスト単眼カメラとIMUで、都市環境に適応した簡略化3Dマップとセマンティックエッジ特徴の整合によりドリフトのないグローバル定位を実現した研究。
- ARマップ:拡張現実のための高精度かつ効率的なマッピングARマッピング2021/3/1
ARシステム向けに、カラー画像・密な深度マップ・完全な点群からなるARマップを定義し、バックパックスキャン装置によるデータ取得からマップ生成、高精度レーザースキャナを用いた精度評価までのエンドツーエンド手法を提案した論文。
- ワンショットで十分:パノラマインフラに基づく複数カメラと3D LiDARのキャリブレーションキャリブレーション2021/3/1
パノラマ状のキャリブレーション用インフラを構築し、単一フレームのデータだけで複数カメラと3D LiDAR間の外部パラメータを高精度かつ効率的に推定する手法を提案した。
- UniFuse: 全方位パノラマ深度推定のための一方向融合深度推定2021/2/1
全天球パノラマの深度推定で、歪みのないキューブマップ特徴をデコード段階のみで正距円筒特徴へ一方向に融合する効率的な手法を提案し、4つのデータセットで最先端性能を達成した。
