Suraj Nair
収録論文 30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
- π0.7: 操縦可能な汎用ロボット基盤モデルと創発的能力VLA2026/4/1
多様なコンテキスト条件付けを用いて、未見環境での言語指示追従やゼロショットの身体汎化を実現するロボット基盤モデルπ0.7を提案した。
- MEM: 視覚言語行動モデルのためのマルチスケール具現化メモリVLA2026/3/1
ロボットの長期タスク遂行のために、ビデオベースの短期記憶とテキストベースの長期記憶を組み合わせたマルチスケールメモリアーキテクチャを提案し、15分に及ぶ複雑なタスクを可能にした。
- 視覚-言語-行動モデルにおける人間からロボットへの転移の創発VLA2025/12/1
多様なロボットデータで事前学習したVLAモデルに人間の動画を共訓練すると、人間からロボットへのスキル転移が自然に生じることを示し、その要因が身体非依存の表現獲得にあると分析した。
- π*0.6:経験から学ぶVLAVLA2025/11/1
実世界での経験と人間の修正を活用した強化学習手法RECAPにより、洗濯物畳みや箱組み立て、エスプレッソ抽出などのタスクを高成功率で実行できる汎用VLAモデルπ*0.6を開発した。
- π0.5: オープンワールド汎化を実現する視覚-言語-行動モデルVLA2025/4/1
異種タスクの共同学習により、未知の家庭環境でもキッチンや寝室の掃除などの長期的で器用な操作を実行できるVLAモデルπ0.5を提案した。
- FAST: 視覚言語行動モデルのための効率的な行動トークン化VLA2025/1/1
離散コサイン変換に基づく新しい行動トークン化手法FASTを提案し、高頻度で器用なロボットタスクにおける自己回帰型VLAの学習を可能にした。
- π0: 汎用ロボット制御のための視覚-言語-行動フローモデルVLA2024/10/1
事前学習済み視覚言語モデルにフローマッチングを組み合わせ、多様なロボットの大規模データで訓練することで、洗濯物畳みや箱組み立てなどの器用なタスクをゼロショットや言語指示で実行できる汎用ロボット基盤モデルを提案した。
- GHIL-Glue: フィルタリングされたサブゴール画像による階層制御VLA2024/10/1
生成モデルが作るサブゴール画像をフィルタリングし、下位方策と効果的に繋ぐことで、言語条件付きロボット操作の汎化性能を向上させた研究。
- OpenVLA: オープンソースの視覚-言語-行動モデルVLA2024/6/1
97万件の実機ロボット実演で学習した7BパラメータのオープンソースVLAモデルを提案し、閉源モデルRT-2-Xを上回る汎用マニピュレーション性能と効率的なファインチューニングを実現した。
- DROID: 大規模実環境ロボットマニピュレーションデータセットマニピュレーション2024/3/1
北米・アジア・欧州の50名が12ヶ月かけて564シーン・84タスクで収集した76k軌道・350時間のロボット操作データセットを構築し、学習ポリシーの性能と汎化性能が向上することを示した。
- Open X-Embodiment: ロボット学習データセットとRT-XモデルVLA2023/10/1
21機関・22種のロボットからなる大規模データセットを構築し、異なるロボットやタスクに適応できる汎用ロボット方策RT-Xを学習した研究。
- プロペラ損傷の推定と適応から耐故障制御へ:クアッドロータのレジリエンス強化耐故障制御2023/10/1
プロペラ損傷を検知・補償するL1適応制御を提案し、損傷が深刻な場合は耐故障制御へシームレスに移行することで、クアッドロータの安全な飛行を実現した。
- 振る舞い検索:未ラベルデータセットを照会する少数ショット模倣学習模倣学習2023/4/1
少量の専門家データを使い、未ラベルで非最適な振る舞いを含む大規模データセットからタスクに関連する遷移を選択的に検索し、それらを組み合わせて学習することで、画像ベースのロボットマニピュレーションタスクにおいて効率的な少数ショット模倣学習を実現した。
- ロボティクスのための言語駆動型表現学習表現学習2023/2/1
人間の動画と言語キャプションから、言語条件付き視覚再構成と視覚接地言語生成を組み合わせてロボット学習用の視覚表現を学習するVoltronを提案し、5つのロボット学習問題で従来手法を上回る性能を示した。
- 耳で聞いて学ぶ:視覚遮蔽下での音声・視覚模倣学習によるスキル獲得マルチモーダル模倣学習2022/5/1
視覚が遮られる操作タスクを、グリッパー付近のマイク音と視覚入力からオフライン模倣学習+オンライン介入で学習し、音声なしより成功率を約50%向上させた研究。
- R3M: ロボットマニピュレーションのための汎用視覚表現マニピュレーション2022/3/1
人間の動画データで視覚表現を事前学習し、下流のロボット操作タスクを少ないデータで効率的に学習できることを示した論文。
- MESA: 安全な適応と故障耐性のためのオフラインメタ強化学習メタ強化学習2021/12/1
安全・危険な振る舞いのオフラインデータからリスク指標をメタ学習し、未知の環境でも制約違反を抑えつつ素早く適応する手法MESAを提案した論文。
- オフラインデータとクラウドソーシング注釈から言語条件付きロボット行動を学習言語条件付きマニピュレーション2021/9/1
ロボットのオフラインデータにクラウドソーシングで言語ラベルを付与し、言語指示の達成を判定する分類器を学習して報酬関数とし、多タスクオフライン強化学習で視覚ベースのマニピュレーションを実現した。
- 長期的視覚運動タスクを解くための例示駆動型モデルベース強化学習モデルベースRL2021/9/1
学習したモデル・批評家・成功分類器を用いて原始スキルを獲得し、記号プランナと組み合わせて長期的視覚運動タスクを遂行するモデルベースRL手法EMBERを提案した。
- 野生の人間動画から汎化可能なロボット報酬関数を学習する報酬学習2021/3/1
YouTubeなどの人間動画と少量のロボットデータを組み合わせ、2つの動画が同じタスクかどうかを判別するドメイン非依存ビデオ判別器(DVD)を訓練して、未見の環境やタスクにもゼロショットで汎化するマルチタスク報酬関数を実現した。
- 大規模動画予測のための貪欲階層型変分オートエンコーダ動画予測2021/3/1
階層型オートエンコーダの各層を貪欲に学習させることで、GPUメモリ制約と最適化困難を同時に解決し、大規模多様データでの動画予測性能と実ロボットタスク成功率を向上させた研究。
- 自己教師あり機能距離を用いたモデルベース視覚計画モデルベース計画2020/12/1
オフラインのラベルなしデータのみから視覚ダイナミクスモデルと動的距離関数を学習し、目標観測を指定するだけで多様なタスクを達成するモデルベース視覚計画手法を提案した。
- 重要状態の少数例で誘導するバッチ探索によるスケーラブルなロボット強化学習探索/強化学習2020/10/1
重要状態の画像を少数だけ人手で与え、その領域に探索を集中させるBEE手法を提案し、視覚ベースのマニピュレーションで多様なデータを効率的に収集できることを示した。
- Recovery RL:学習した回復ゾーンを用いた安全な強化学習安全強化学習2020/10/1
オフラインデータから制約違反領域を事前学習し、タスク方策と回復方策を分離することで、探索と安全性のトレードオフを効率的に両立させる安全強化学習手法を提案。
- 目標に即した予測:重要なものだけをモデル化する学習モデルベースRL2020/7/1
学習したダイナミクスモデルの目的を下流タスクに合わせ、目標に関連する状態のみを自己教師ありで予測する手法を提案し、モデルフリーRLやタスク非依存モデルを上回る性能を示した。
- RoboNet: 大規模マルチロボット学習のための共有データベースマニピュレーション2019/10/1
7種類のロボットから1500万フレームの動画を集めた共有データベースRoboNetを構築し、視覚ベースのマニピュレーション学習に活用できることを示した。
- 階層的先見:視覚的サブゴール生成による長期タスクの自己教師あり学習視覚計画2019/9/1
目標画像からサブゴール画像を生成して計画を階層化し、長期視覚ベース操作タスクの計画性能を大幅に向上させた研究。
- 時間反転を自己教師信号に用いたマニピュレーション学習マニピュレーション2018/10/1
目標状態から逆方向に軌道を予測する時間反転モデルを自己教師ありで学習し、実機でのテトリス型ブロック組立をデモなしで実現した。
- ニューラルタスクグラフ:単一動画デモから未見タスクへ汎化する方策学習模倣学習2018/7/1
単一の動画デモから未見タスクを遂行する方策を生成するため、タスクの合成構造を中間表現として組み込むNeural Task Graphを提案し、ブロック積み上げや物体収集タスクで汎化性能を示した。
- ニューラル・タスク・プログラミング:階層的タスクへの汎化を学ぶ模倣学習2017/10/1
タスクの映像デモを入力に、階層的にサブタスクへ再帰分解し、下位プログラムを呼び出すニューラルプログラムでロボット操作を学習する枠組みを提案。未見の長さ・構造・目的のタスクへ汎化できることを示した。
