Wentao Yuan
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
- RoboVista:多様なロボット応用のための視覚言語モデル評価VLM評価2026/7/1
ロボットの多様な応用における視覚言語モデル(VLM)の能力を評価するためのモジュール型フレームワークとベンチマークを提案し、実ロボット実験でその有効性を示した。
- Gemini Robotics 1.5:高度な身体性推論・思考・動作転移で汎用ロボットの最前線を押し広げるVLA2025/10/1
異種ロボットデータから学ぶ動作転移機構と自然言語での多段階推論を組み合わせたVLAモデルと、身体性推論に特化したモデルを発表し、複雑な多段階タスクの実行と解釈性を向上させた。
- GraspGen: オブジェクト把持のための拡散モデルフレームワークマニピュレーション2025/7/1
拡散モデルを用いて6自由度の把持を生成し、識別器でフィルタリングするフレームワークを提案。5300万把持のデータセットを公開し、実機でも高い性能を示した。
- Gemini Robotics:AIを物理世界へVLA2025/3/1
Gemini 2.0を基盤に、ロボットを直接制御できる汎用VLAモデル「Gemini Robotics」と、空間・時間理解を強化した推論モデル「Gemini Robotics-ER」を提案した論文。
- 投票による木探索でLLMタスク計画の実行順序を最適化するVote-Tree-Plannerタスク計画2025/2/1
LLMベースのロボットタスク計画において、計画の木構造を投票で重み付けしながら探索することで、LLMへの問い合わせ回数を削減しつつ成功率と効率を高める手法を提案した。
- AHA: ロボットマニピュレーションの失敗を検出・推論する視覚言語モデルVLA2024/10/1
ロボット操作の失敗を自然言語で検出・説明するオープンソースVLM「AHA」を提案し、シミュレーションで生成した大規模失敗データセットで学習させ、実世界や未見タスクへの汎化性能を示した。
- RoboPoint: ロボティクス向け空間アフォーダンス予測の視覚言語モデルVLA2024/6/1
合成データで視覚言語モデルをロボット向けに微調整し、言語指示から画像内のキーポイントアフォーダンスを予測するRoboPointを開発。実世界データ不要でスケーラブルに学習でき、ナビゲーションや操作などのタスクで既存手法を上回る。
- Manipulate-Anything:視覚言語モデルによる実世界ロボット操作の自動化マニピュレーション2024/6/1
視覚言語モデルを活用し、特権的な状態情報や手設計スキルなしで実世界の任意の静的物体を操作する軌道を自動生成する手法を提案し、既存手法を上回る性能とロバストな模倣学習を実現した。
- M2T2: 物体中心のピックアンドプレイスに向けたマルチタスクマスク付きトランスフォーマーマニピュレーション2023/11/1
生の点群から接触点と把持姿勢を予測し、多様な低レベル動作を任意物体に対して実行できる単一のトランスフォーマーモデルを提案。大規模合成データで学習し、実機へのゼロショットsim2real転移を達成した。
- 幾何学的推論を要する組立タスクにおける視覚表現のロバスト性評価マニピュレーション2023/10/1
ペグ挿しタスクを題材に、視覚事前学習モデルを視覚エンコーダとして用いる視覚運動政策学習のロバスト性を評価し、事前学習モデルよりスクラッチ学習したエンコーダの方が優れることを示した。
- TerrainNet: 高速オフロード走行のための複雑地形の視覚モデリングオフロード自律走行2023/3/1
カメラ映像から地形の意味・形状を予測し、高速オフロード自律走行のための走行可能領域推定とコストマップ生成を行う視覚知覚システムを提案。
- SORNet:逐次操作のための空間的物体中心表現物体中心表現2021/9/1
RGB画像から物体クエリに基づく物体中心表現を学習し、未見の物体にもゼロショットで汎化して空間関係推論や実機の逐次操作計画に応用した研究。
- 点群補完ネットワーク(PCN)点群補完2018/8/1
部分的な点群から物体の完全な形状を推定する学習ベース手法PCNを提案。対称性や意味クラスの仮定なしに生の点群を直接扱い、少ないパラメータで高精細な補完を実現した。
