Yanzhi Wang
Northeastern University
収録論文 20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
- 音声から直接ロボット操作を指示する音声-言語-行動モデルVLA2026/10/24
音声をテキストに変換せず直接モータコマンドへ写像するSpeech-π0.5を提案し、ASR経由より3倍低遅延で未知のアクセントにも頑健なことを示した。
- イベント整合型視覚行動推論によるワールドアクションモデルVLA2026/10/7
タスク上重要なインタラクションイベントに視覚予測を整合させ、行動生成を導くフレームワークを提案し、DOMINOで成功率を10.26ポイント改善した。
- CIRRA: 対話型家事タスクにおける実体ロボットエージェントのための二段階継続的指示調停と実行継続タスクプランニング2026/10/5
家事ロボットが実行中のタスクに新しい指示を統合する際、既存の計画を保持しつつ局所的に調停する二段階フレームワークCIRRAを提案。CHIRPベンチマークで高い意思決定一致率を示した。
- 未来を想像し要点を内在化:時空間想像を内部化した効率的VLA推論VLA2026/10/2
VLAモデルが将来のシーン変化を視覚表現空間で想像して行動予測を導く推論手法を提案し、その推論結果をコンパクトなトークンに内在化することで推論時の計算を大幅に削減した。
- SpectralCache: スペクトル特徴キャッシュによる拡散ベース世界モデルの高速化拡散世界モデル2026/10/2
拡散ベース世界モデルの特徴が持つ特異部分空間の安定性を利用し、学習不要のスペクトルキャッシュで推論を最大5.22倍高速化した研究。
- Q-WAM: 行動サブスペース保護によるWorld Action Modelの4ビット量子化量子化2026/9/27
World Action Modelを4ビットに量子化する際、行動生成に重要なチャネルを低ランク16ビット枝で保護することで、精度をほぼ保ったまま計算・メモリコストを削減する手法を提案。
- Flash-WAM: モダリティ認識蒸留によるワールドアクションモデルの高速化VLA2026/6/3
ビデオとロボット動作を同時生成するワールドアクションモデルを、モダリティごとに適切な蒸留手法を適用して単一ステップ推論に圧縮し、リアルタイム制御を可能にした。
- PhyWorld: 物理的に忠実な世界モデルによるビデオ生成ビデオ生成2026/5/19
ビデオ生成モデルを物理法則に従う世界シミュレータとして機能させるため、2段階のポストトレーニング(フローマッチングとDPO)を導入し、物理的整合性を向上させた。
- ActQuant: 視覚言語行動モデルのための4ビット未満の行動誘導量子化量子化2026/5/19
VLAモデルのエッジ展開を可能にするため、行動予測への寄与度に基づいてビット幅を割り当てる行動誘導型混合精度量子化フレームワークActQuantを提案し、シミュレーションと実機で高い性能を維持しつつ大幅な圧縮を実現した。
- PanoWorld: 幾何学的に一貫したパノラマ動画の世界モデリング動画生成2026/5/14
単一画像とキャプションから、3Dシーン状態を明示的に考慮した幾何学的に一貫した360度動画を生成する世界モデルを提案。深度と軌跡の一貫性を保つ軽量正則化を導入し、専用データセットで評価した。
- PhyGround: 生成ワールドモデルにおける物理推論のベンチマークビデオ生成/物理推論2026/5/11
ビデオ生成モデルの物理法則遵守を評価するための、基準に基づいたベンチマークと自動評価器を提案した論文。
- 機械における人間の認知:世界モデルの統一的視点世界モデル2026/4/1
世界モデルの研究を認知機能の観点から分類し、人間のような認知能力を目指すための統一的枠組みを提案した論文。特に動機付けとメタ認知の研究不足を指摘し、今後の研究方向を示している。
- ロボットはいつ考えるべきか?強化学習による資源認識型推論で身体性ロボットの意思決定を実現VLA2026/3/1
身体性ロボットがLLM推論をいつ・どの役割で・どれだけ使うかを強化学習で適応的に決める階層的枠組みRARRLを提案し、タスク成功率向上と遅延削減を実現した。
- 超大規模動画推論スイート動画推論2026/2/1
200種類の推論タスクと100万本以上の動画からなる大規模データセットVBVRと、ルールベースで検証可能な評価ベンチマークVBVR-Benchを構築し、動画推論のスケーリング則と未見タスクへの汎化の兆候を示した。
- Moxin-VLMとMoxin-VLAを備えたオープンソースマルチモーダルMoxinモデルVLA2025/12/22
完全オープンソースのLLM「Moxin」を基に、視覚言語理解・視覚言語行動・中国語対応の3つの派生モデルを開発し、公開した。
- エッジからクラウドGPUまでのVision-Language-ActionモデルのクロスプラットフォームスケーリングVLA2025/9/1
5つの代表的なVLAモデルをエッジとデータセンターGPUで評価し、精度・遅延・スループット・メモリ使用量を測定してスケーリング傾向を明らかにした。
- VOTE: 軌道アンサンブル投票による視覚-言語-行動モデルの最適化VLA2025/7/1
VLAモデルの推論遅延と学習コストを削減するため、少ない行動トークンで並列生成する学習フレームワークと、過去と現在の予測を投票で統合する推論最適化を提案し、成功率と推論速度を大幅に向上させた。
- StereoVoxelNet: ステレオカメラと深層学習による占有ボクセルに基づくリアルタイム障害物検出障害物検出2022/9/1
ステレオ画像から直接占有ボクセルを推定する深層学習モデルを提案し、オクトリーを用いた粗密探索で計算を削減して組込みGPU上でリアルタイムに障害物検出を実現した。
- 自動運転におけるDNN推論時間変動の解明自動運転/リアルタイム推論2022/9/1
自動運転向けDNN推論の実行時間変動をデータ・I/O・モデル・ランタイム・ハードウェア・認識システムの6観点から詳細に分析し、その根本原因に関する6つの知見を導出した研究。
- 1,000ドル級の既製カード1枚でレベル4自動運転を実現自動運転2021/10/1
Jetson AGX Xavier 1枚(1,000ドル未満)でレベル4自動運転ソフトを遅延要件を満たしつつ動作可能なことを初めて示し、低コスト化の道筋を示した。
