Xiaogang Wang
ACE Robotics
収録論文 15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
- 経験時代における実世界コード・アズ・ポリシー:ACE-CaP-0マニピュレーション2026/11/12
人間の実演とシミュレーションを選択的に活用してコードポリシーを改良するエージェント手法を提案し、8つの実世界マニピュレーションタスクで92.1%の成功率を達成した。
- WorldFailBench:ワールドモデルは政策の失敗を理解できるかワールドモデル2026/10/24
ロボット政策の失敗をワールドモデルが忠実に再現できるかを評価するWorldFailBenchを提案し、失敗理由・失敗段階・失敗境界の3タスクで7つのモデルを検証した。
- ACE-Brain-0.6:身体性基盤モデルのための空間グラウンディングのスケーリングVLA2026/10/19
ロボット操作記録と多様な視覚データを統合したデータパイプラインで約150万件の検証可能なグラウンディング教師信号を作り、Qwen3.5-9Bを微調整して空間知覚を強化したモデル。7つの公開ベンチマーク中4つでGPT-6 Astraを上回った。
- GPT-6-Astraは身体知能を獲得したのかVLA2026/10/15
GPT-6-Astraを12のベンチマークで大規模評価し、操作・移動・器用な手などで高い性能を示す一方、実機展開ではICL用デモ収集コストや実行時間と成功率のトレードオフなどの課題を明らかにした報告。
- 意味・動態・制御を再配線する:シンプルかつ効果的な行動中心型トリプルストリームTransformerVLA2026/10/8
VLMと動画生成ワールドモデルを別々のストリームとして保持しつつ、行動専門家が層ごとのアテンションで両者の表現を統合するACT³を提案し、実機・シミュレーションのマニピュレーションで優れた性能を示した。
- OmniDex: 多様な雑然シーンへの巧みな手把持のスケーリングマニピュレーション2026/10/8
260万以上の雑然シーンと4億の把持正解データからなる大規模ベンチマークを構築し、生成モデルの課題を克服するOmniDexモデルを提案した。
- ACE-Data-0: 人間中心の環境キャプチャによる具現化データエンジンデータセット2026/7/30
家庭環境を校正済みの録音スタジオに変えるデータ収集エンジンACEを提案し、多感覚データセットACE-Data-0を構築した。
- ACE-Brain-0.5:物理的エージェントAIのための統合具現化基盤モデルVLA2026/7/1
ロボット知能を空間知覚、意思決定、身体的行動、自己監視、自己改善の5機能に統合した、単一の8Bバックボーンによる閉ループ基盤モデルを提案する。
- Kairos: 後悔を考慮した物理AI向けネイティブ世界行動モデルスタック世界モデル2026/6/15
物理AIのための世界モデルスタックを提案し、制御に重要な情報のみを学習・維持・展開する手法を導入した。
- ACE-Ego-0: 自己中心視点の人間とロボットデータを統合したVLA事前学習VLA2026/6/1
ロボットの軌跡データ収集のコストを抑えるため、大規模な自己中心視点の人間ビデオを擬似行動ラベルに変換し、ロボットデータと統合してVLAモデルを事前学習するフレームワークを提案した。
- 階層的アドバンテージ重み付けによるスパースなエピソード結果からのVLAオンラインRL微調整VLA/強化学習2026/6/1
事前学習済みVLAポリシーをオンライン強化学習で微調整する際、エピソードごとの成功/失敗のみのスパースな報酬を、生存性と効率性の2つの目的に分離し、状態適応的に重み付けして遷移レベルの学習信号を生成する手法を提案した。
- ACE-Brain-0: 空間知能を共通の足場とする普遍的身体性知能基盤モデル2026/3/1
多様な身体(自動運転、ロボット、ドローン)を統合する基盤モデルを提案し、空間知能を共通の足場として、専門化と融合を経て高い性能を達成した。
- 自動運転のための3D物体検出:包括的サーベイ3D物体検出2022/6/1
自動運転の知覚システムにおける3D物体検出について、LiDAR・カメラ・マルチモーダル手法の研究動向を網羅的に整理し、性能比較や今後の課題をまとめたサーベイ論文。
- RNNPose: ロバストな対応場推定と姿勢最適化による反復型6自由度物体姿勢精緻化姿勢推定2022/3/1
単眼画像からの物体姿勢推定を、RNNの反復処理で精緻化する手法。対応場推定と微分可能なLM法による姿勢最適化を交互に行い、遮蔽にも頑健。
- 代表構造発見と3D固有誤差モデリングによる堅牢な自己教師ありLiDARオドメトリLiDARオドメトリ2022/2/1
信頼できる構造に着目した2段階ネットワークと3D点共分散に基づく誤差の重み付け、マッピングへの統合により、自己教師ありLiDARオドメトリの精度とロバスト性を向上させた研究。
