Tong Zhang
University of Illinois Urbana-Champaign
収録論文 28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
- 思考を止めるタイミングの見極め:潜在世界モデル計画におけるテスト時計算制御としての期待自由エネルギーの解剖世界モデル計画2026/10/20
学習した世界モデルを用いた計画において、期待自由エネルギー(EFE)に基づく目的関数が計算量の制御にどう役立つかを検証し、コスト停滞による停止規則の有効性と限界を分析した論文。
- Awomo-SimDataEngine: エージェント型シミュレーション対応世界生成sim2real2026/10/1
資産・シーン生成からロボット実演合成までを繋ぐエージェント型システムを提案し、生成データによるクロスシミュレータ方策学習の有効性を示した。
- MotorMind: 汎用視覚言語モデルをゼロショットロボットマニピュレーションに活用するフレームワークマニピュレーション2026/9/29
汎用VLMが直接観察から行動を生成しフィードバックで適応するだけでロボット操作を実現するハーネスを提案し、専用学習や外部ツールなしでLIBERO-PROや実機xArm6で高い成功率を達成した。
- 行動は1パッチに値する:PatchWAMによる統合的世界-行動モデリングVLA2026/9/22
連続行動を固定マッピングでパッチとして表現し、専用の行動ヘッドや専門家なしに単一の生成モデルで視覚予測と行動生成を同時に行うPatchWAMを提案。LIBERO-Plusで91.8%、RoboTwin 2.0で96.12%の成功率を達成。
- StrucPhysVideo: 構造化キャプションとロボット行動から物理ダイナミクスを学習する動画世界モデル動画世界モデル2026/9/16
物体の動きや相互作用を記述した構造化キャプションとロボットの行動を条件として、物理的に妥当な動画を生成・予測する動画世界モデルを提案し、Physics-IQで最高性能を達成した。
- ResSafe: 残差強化学習によるヒューマノイドの安全フィルタリングヒューマノイド制御2026/9/14
ヒューマノイド制御において、タスク遂行ポリシーと安全補正ポリシーを分離し、残差強化学習で安全フィルタを学習する手法を提案。
- マルチモーダルメモリ圧縮による長期的身体化意思決定意思決定/ベンチマーク2026/8/2
長期的な身体化意思決定のためのベンチマークDunphyBenchを提案し、VLMエージェントの性能が人間に及ばないこと、メモリ管理がボトルネックであることを示した。さらに、ユーザー嗜好に基づいて情報を圧縮するMeMentoを設計し、精度向上とメモリ削減を実現した。
- Ego2Robot: 自己中心視点の人間データからのスケーラブルなロボットデータ合成VLA2026/8/1
自己中心視点の人間の操作動画を、行動リターゲティングとロボットアームの視覚合成、品質キュレーションを経てロボット訓練データに変換するスケーラブルなパイプラインを提案し、大規模データセットでVLAモデルの汎化性能を向上させた。
- XPolicyLab: ロボットポリシー評価と展開のための統一標準・オープンエコシステムロボットポリシー評価2026/8/1
ロボットポリシーの評価と展開を統一する標準規格とオープンエコシステムを提案し、N個のポリシーとM個の環境の接続コストをO(NM)からO(N+M)に削減した。
- Qwen-RobotManip技術報告:アライメントがロボット操作基盤モデルのスケールを解放するVLA/基盤モデル2026/6/16
ロボット操作のための視覚言語行動基盤モデルQwen-RobotManipを提案し、異種データを統一フレームワークで整列させることで大規模学習を可能にし、ゼロショット汎化やクロスエンボディ転移などの創発的能力を示した。
- OpenHLM:全身ヒューマノイド移動操作の実証的レシピVLA/全身制御2026/6/1
ヒューマノイドの全身協調動作を実現するため、言語と画像から全自由度を直接制御するVLAモデルの構築方法を体系的に研究し、実用的なレシピを提案した。
- Qwen-VLA:タスク・環境・ロボット形態を横断する視覚言語行動モデルの統合VLA2026/5/1
多様なロボットタスクを単一の視覚言語行動モデルに統合するQwen-VLAを提案し、操作・ナビゲーション・軌道予測を統一フレームワークで扱う。
- ヒューマノイド操作インターフェース:ロボット不要の実演による全身操作全身操作2026/2/1
ポータブルな装着型デバイスで人間の全身動作を計測し、階層的な学習パイプラインを通じてヒューマノイドの多様な全身操作スキルを実環境で獲得するフレームワークを提案。
- AlignDrive: 横縦統合型エンドツーエンド自動運転プランニング自動運転プランニング2026/1/1
縦方向の計画を横方向の走行経路に条件付けたカスケード型フレームワークを提案し、経路に沿った1D変位予測として再定式化することで、速度決定とエージェント挙動の協調を改善した。
- 近接場通信と融合する身体性エッジ知能:概念・設計・検証VLA2025/8/1
大規模モデルをロボット近傍のエッジで動かす身体性エッジ知能と、超大規模アンテナアレイを用いる近接場通信を統合し、両者を協調最適化する枠組みを提案・検証した論文。
- 身体感覚のずれを克服する模倣学習のドメイン適応模倣学習2025/6/1
模倣学習において訓練時と実環境での固有感覚(proprioception)の分布ずれが性能を低下させる問題を特定し、Wasserstein距離に基づくノイズ付加で分布を整合させる手法を提案した。
- HuB: 極限ヒューマノイドバランスの学習ヒューマノイド制御2025/5/1
ヒューマノイドロボットが片足立ちや高蹴りなどの極限的なバランス課題を強化学習で獲得するための、参照動作修正・バランス認識方策学習・sim-to-realロバスト訓練を統合したフレームワークを提案。
- 局所性を活用したロボットマニピュレーションのサンプル効率向上マニピュレーション2024/6/1
ロボットの動作は対象物とその周辺環境に強く影響されるという「動作局所性」の帰納バイアスを導入し、模倣学習のサンプル効率を高めるフレームワークSGRv2を提案。シミュレーションと実環境で少ないデモンストレーションから高い成功率を達成した。
- DVMNet++: 未知物体に対する相対姿勢推定の再考姿勢推定2024/3/1
未知物体の相対姿勢を、正解バウンディングボックスや回転仮説に頼らず、画像特徴と言語理解による検出とボクセルマッチングで単一パスで推定する手法を提案。
- 汎用フローを基盤としたスケーラブルなロボット学習のためのアフォーダンスVLA2024/1/1
大規模な人間のRGBD動画から言語条件付き3Dフローモデルを学習し、その予測を閉ループ方策に用いることで、追加学習なしに18タスクで81%のゼロショット人間→ロボット技能転移を実現した。
- 跳ぶ前に見よ:ロボット視覚言語計画におけるGPT-4Vの能力を解き明かすVLA2023/11/1
視覚言語モデルを活用し、知覚情報を直接統合して長期的なロボットタスク計画を生成するViLaを提案。実機・シミュレーションで既存のLLMベース計画手法を上回る性能を示した。
- 基盤モデルの事前知識を活用した強化学習:身体性エージェントの効率的な自律学習マニピュレーション2023/10/1
基盤モデルから方策・価値・成功報酬のガイダンスを得るRLFPフレームワークとFACアルゴリズムを提案し、実機とシミュレーションのマニピュレーションタスクで高効率・高成功率を達成した。
- 単一参照視点からの汎化可能な相対物体姿勢推定のための3D認識仮説検証姿勢推定2023/10/1
物体の単一参照画像と異なる姿勢のクエリ画像から相対姿勢を推定するため、複数の姿勢仮説を生成し3D変換を適用して検証するフレームワークを提案。未見物体や大きな姿勢変化に頑健。
- MEDL-U: 証拠深層学習に基づく不確実性を考慮した3D自動アノテーション3D物体検出/自動アノテーション2023/9/1
3D物体検出の疑似ラベル生成に証拠深層学習を導入し、不確実性を定量化してノイズを低減する自動アノテーション手法を提案した。
- ロボットマニピュレーションのための普遍的意味幾何表現マニピュレーション2023/6/1
大規模事前学習済み2Dモデルの意味情報と3D空間推論の幾何情報を統合した知覚モジュールSGRを提案し、多様なロボット操作タスクで高い性能と新規意味属性への汎化を実現した。
- 環境情報利得に基づくクアッドロータ飛行中のヒューリスティック自律探索法自律探索2023/2/1
クアッドロータの自律探索において、サンプリングベースのフロンティア検出と環境情報利得を考慮したヒューリスティック評価関数による二段階視点決定法を提案し、探索効率を改善した。
- 単眼カメラを用いたADAS向け車間距離・相対速度推定のエンドツーエンド学習ADAS/単眼距離推定2020/6/1
連続する単眼フレームから深層特徴・シーン幾何・オプティカルフローを統合し、車間距離と相対速度をエンドツーエンドで推定する軽量DNN手法を提案した。
- カメラとIMUの時間ずれを考慮した最適化ベースの視覚慣性オドメトリVIO2018/10/1
カメラとIMUの間の時間ずれを未知変数として扱い、ローリングシャッター効果と不完全なセンサ同期を統一的に処理する最適化ベースの単眼視覚慣性オドメトリを提案した。
