Xiao Ma
ByteDance Seed
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
- SiMDex: 類似する自己中心視点動画のマイニングによるクロスエンボディ器用操作データ選択/器用操作/VLA2026/8/1
ロボットの器用操作のためのVLAモデル訓練に有効な人間の自己中心視点動画を、類似性に基づくデータマイニングで選別するフレームワークを提案。約3200万サンプルから1.49百万件を選び、成功率を47.7%から61.1%に向上させた。
- BridgeVLA++: 3次元操作のためのデータ効率的で汎化可能なメモリ拡張型視覚言語行動フレームワークVLA2026/8/1
事前学習済み視覚言語モデルを活用した3次元ロボット操作フレームワークBridgeVLAを拡張し、空間的・時間的メモリを統合することで、データ効率と汎化性能を保ちつつ、記憶依存の操作タスクで最先端の性能を達成した。
- TTT-VLA: テスト時潜在プロンプト最適化による視覚言語行動モデルの適応VLA2026/6/1
視覚言語行動モデル(VLA)のテスト時分布シフトに対処するため、環境からの相互作用データを用いて潜在プロンプトのみを最適化するテスト時訓練フレームワークを提案した。
- ロボット操作のためのワールドバリューモデル操作2026/6/1
ロボット操作の価値推定に世界モデルを活用した新しい汎用価値モデル(WVM)を提案し、データ品質評価やポリシー学習の性能を向上させた。
- ハンド・イン・ザ・ループ:シームレスな手と腕の介入による巧みな操作のためのVLAポリシー改善マニピュレーション2026/5/1
高自由度ロボットハンドの巧みな操作において、人間の介入時に発生する「ジェスチャージャンプ」を防ぐため、人間の修正意図と自律ポリシー実行をブレンドする介入手法HandITLを提案し、介入ジッタや把持失敗を大幅に低減した。
- GR-RL:長期的器用マニピュレーションのための器用で精密なロボット学習マニピュレーション2025/12/1
人間のデモンストレーションをフィルタリング・拡張・強化学習で強化し、VLAポリシーを長期的で精密な器用マニピュレーションに特化させるフレームワークを提案。靴紐を穴に通して結ぶタスクを83.3%の成功率で自律的に達成。
- GR-Dexter 技術報告書VLA2025/12/1
両手デクスタラスハンドロボットで言語条件付き長期操作を実現するVLAフレームワークを提案し、ハードウェア・データ収集・学習手法を統合した。
- WMPO:世界モデルに基づく視覚-言語-行動モデルの方策最適化VLA2025/11/1
実環境と相互作用せずにピクセルベースの世界モデル上でVLAモデルを強化学習し、自己修正などの創発行動やサンプル効率の向上を実現した。
- ByteWrist:狭所での柔軟な人間型動作を実現するパラレルロボット手首マニピュレーション2025/9/1
狭い空間での操作に向けた、コンパクトな3段パラレル駆動と円弧形リンクを組み合わせた人間型ロボット手首を開発し、順逆運動学とヤコビアンによる制御を実現した。
- GR-3 汎用ロボットポリシー構築に向けた大規模VLAモデルVLA2025/7/1
ウェブ規模の視覚言語データとVR収集の人間軌道データ、ロボット軌道データを組み合わせて訓練した大規模VLAモデルGR-3を開発し、両腕移動ロボットByteMiniと統合して新規物体・環境・長期タスクへの汎化性能を示した。
- BridgeVLA: 視覚言語モデルによる効率的な3Dマニピュレーション学習のための入出力アラインメントVLA2025/6/1
3D入力を複数の2D画像に投影し、2Dヒートマップで行動予測を行うことで、VLMを活用した3Dマニピュレーション学習を効率化する手法を提案。
- Chain-of-Action: ロボットマニピュレーションのための軌道自己回帰モデリングマニピュレーション2025/6/1
目標から逆算して行動系列を自己回帰的に生成する視覚運動ポリシーを提案し、RLBenchと実機タスクで最先端性能を達成した。
- 人間支援によるロボット政策の行動選好最適化VLA2025/6/1
人間とのインタラクションから得た選好信号を用いてVLAモデルを事後的に改善するAPOを提案し、失敗からの学習を可能にした。
- 環境駆動型オンラインLiDAR-カメラ外部キャリブレーションキャリブレーション2025/2/1
環境の特徴密度を推定してLiDARとカメラの外部キャリブレーションをオンラインで行う手法を提案し、疎な点群や視野の重なりが少ない場面でも高精度を実現した。
- 汎用ロボットのための視覚言語行動モデル構築で重要な要素VLA2024/12/1
視覚言語行動モデル(VLA)の性能を左右する設計要因を大規模実験で分析し、汎用ロボット向けの新しいVLAファミリーRoboVLMsを提案した論文。
- 汎用ロボットマニピュレーションポリシーの効果的なファインチューニング戦略マニピュレーション2024/10/1
汎用マニピュレーションポリシーのファインチューニングにおいて、行動空間やポリシーヘッド、監督信号、調整可能パラメータの選択が性能に与える影響を大規模実験で調査し、低データ領域での有効な設計指針を提示した。
- BiGym: デモ駆動型モバイル双腕マニピュレーションのベンチマークマニピュレーション2024/7/1
家庭環境での40種類のモバイル双腕ロボット操作タスクを集めたベンチマークと学習環境を構築し、人間のデモやRGB・深度などの観測を提供して模倣学習・強化学習手法を評価した。
- グリーンスクリーン拡張によるロボットマニピュレーションのシーン汎化マニピュレーション2024/7/1
グリーンスクリーン上で収集した実演データにクロマキーで背景を合成するGreenAugを提案し、未知環境への汎化性能が従来の拡張手法を上回ることを実機実験で示した。
- ロボット学習のための冗長性を考慮した行動空間マニピュレーション2024/6/1
マニピュレータの冗長性に着目し、関節空間とタスク空間の利点を併せ持つ新しい行動空間ERを提案。シミュレーションと実機で有効性を検証した。
- 階層拡散方策による運動学的制約を考慮したマルチタスクロボットマニピュレーションマニピュレーション2024/3/1
操作方策を高レベルのタスク計画と低レベルの目標条件付き拡散方策に階層化し、微分可能運動学で関節軌道生成器を蒸留することで、長期的タスクと運動学的制約を両立させた。
- InsActor: 指示駆動型物理ベースキャラクター物理ベースアニメーション2023/12/1
拡散モデルと階層的スキル学習を組み合わせ、人間の高レベル指示から物理シミュレーション上のキャラクターアニメーションを生成するフレームワークを提案。
- オフライン強化学習のための効率的な拡散ポリシーオフライン強化学習2023/5/31
拡散モデルを用いたオフライン強化学習のポリシー学習を高速化し、既存手法との互換性を高めるEDPを提案。D4RLで訓練時間を5日から5時間に短縮し、最先端性能を達成。
- 相互情報量正則化によるオフライン強化学習オフライン強化学習2022/10/14
データセット内の状態と行動の相互情報量を直接制約することで、分布シフトに強いオフライン強化学習フレームワークMISAを提案し、D4RLベンチマークで大幅な性能向上を達成した。
- DaXBench: 微分可能物理に基づく変形可能物体操作のベンチマーク変形可能物体操作2022/10/1
ロープ・布・液体の操作を含む9つの高難度タスクを備えた、微分可能物理シミュレータベースの変形可能物体操作ベンチマークを提案し、計画・模倣学習・強化学習手法を比較評価した。
- 微分可能物理シミュレータによる模倣学習模倣学習2022/6/1
微分可能な物理シミュレータを方策学習の計算グラフに組み込み、専門家軌道との距離を最小化する単一ループの模倣学習手法を提案。収束速度・安定性・最終性能を改善し、未知環境への転移も可能にした。
- 混合可観測性下での階層型強化学習階層型強化学習2022/4/1
一部の状態変数だけが観測可能なMOMDPの部分クラスに対し、上位が目標を生成し下位がそれを達成する2層階層型RL手法HILMOを提案し、長期的連続制御タスクで成功率・サンプル効率・学習時間を改善、実機にも展開した。
- 粒子ベースによる新規物体のゼロからの操作マニピュレーション2021/7/1
物体を粒子表現でオンライン学習し、モデルベース推論とデータ駆動学習を融合して、事前学習なしに多様な物体の把持や押し操作を実現した研究。
- 変形物体の視覚操作のための潜在グラフダイナミクス学習変形物体操作2021/4/1
変形物体をキーポイントのグラフとして表現し、その相互作用ダイナミクスをGNNとRNNで学習してモデル予測制御により操作する手法を提案。ロープや布の操作で高性能を示し、実機にも転移できることを示した。
- 歩行者軌道予測のための時空間グラフトランスフォーマーネットワーク軌道予測2020/5/1
注意機構のみで群衆の空間的相互作用と時間的依存関係をモデル化するSTARを提案し、歩行者軌道予測で最高性能を達成した。
- 合成可能なロボット学習のための微分可能アルゴリズムネットワークナビゲーション2019/5/1
微分可能なロボットアルゴリズムとモデルをニューラルモジュールとして組み込み、モデル駆動の構造とデータ駆動の端到端学習を融合したDANを提案し、局所視覚と不完全な2D地図のみから複雑な3D環境をナビゲートする事例で有効性を示した。
