Song Han
収録論文 12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
- Robota-Embed：ロボットの文脈内学習と進化のための統合VLA埋め込みVLA2026/10/14
視覚・言語・行動を統合して現在の状態と将来の継続を同時に埋め込むVLA埋め込みモデルを提案し、検索による文脈利用でロボットの成功率を向上させた。
- Long-WAM: 世界行動モデルのコンテキスト拡張VLA2026/10/7
因果的世界行動モデルのコンテキストを拡張し、自己回帰的事前学習とストリーミング符号化によりリアルタイム制御を実現したフレームワーク。
- LongLive-Plug: 動画生成のための一度きりの蒸留フレームワーク動画生成2026/9/29
ベースモデルにLoRAとして再利用可能な能力を学習させ、下流モデルに訓練不要でプラグアンドプレイ展開できる蒸留手法を提案。
- MIND-CAVs: 意図駆動型自律に基づくCAVのためのマルチインテリジェンス交渉・意思決定システム協調運転2026/7/1
自動運転車が高次の意図を共有し、エッジサーバが車両間の意図の衝突を調停することで、グローバルに一貫した協調判断を実現するフレームワークを提案した。
- Cosmos 3: 物理AIのための全モーダル世界モデルVLA2026/6/1
言語、画像、動画、音声、行動を統一的に扱う全モーダル世界モデルを提案し、理解・生成タスクでSOTAを達成した。
- ForeAct: 効率的な視覚的先読み計画でVLAを誘導するVLA2026/2/1
将来の観測画像とサブタスク記述を生成してVLAの視覚入力に追加するだけで、アーキテクチャ変更なしに実世界タスクの成功率を大幅に向上させる計画モジュールを提案。
- VLASH: 未来状態を考慮した非同期推論によるリアルタイムVLAVLA2025/12/1
ロボットの状態を前回の行動チャンクで先読みし、予測と実行の時間ずれを解消することで、追加コストなしにVLAの非同期推論を高速化・安定化する手法を提案。
- EgoVLA：自己中心視点の人間動画から視覚-言語-行動モデルを学習VLA2025/7/1
一人称視点の人間動画でVLAモデルを訓練し、逆運動学とリターゲティングで人間の手の動きをロボット動作に変換、少数のロボット実演で微調整してロボットポリシーを獲得する手法を提案。
- 通信を活用した自律走行車のためのロバストで安全なマルチエージェント強化学習：シミュレーションからハードウェアまでマルチエージェント強化学習2025/6/1
V2V通信を活用したマルチエージェント強化学習フレームワークRSR-RSMARLを提案し、シミュレーションから実機へのゼロショット転移と制御バリア関数による安全性保証を実現した。
- CoT-VLA：視覚的思考連鎖推論を用いた視覚-言語-行動モデルVLA2025/3/1
将来の画像フレームを視覚的目標として自己回帰的に予測してから行動系列を生成することで、視覚的思考連鎖推論をVLAに組み込み、実世界タスクで17%の性能向上を達成した。
- VISTA 2.0: 自動運転向けマルチモーダルセンシングと方策学習のためのオープンなデータ駆動型シミュレータsim2real2021/11/1
RGBカメラ・3D LiDAR・イベントカメラを統合したオープンソースのデータ駆動型自動運転シミュレータを開発し、実車展開でsim-to-real転移と実データのみより高いロバスト性を示した。
- 効率的で堅牢なLiDARベースのエンドツーエンドナビゲーション自動運転/エンドツーエンド2021/5/1
スパース畳み込み最適化とハードウェア考慮設計による高速LiDARネットワークと、単一順伝播で不確実性を推定し制御予測を融合する手法を提案し、実車で車線安定走行とセンサ故障時などの堅牢性向上を実証した。
