Yijiong Lin
University of Bristol
収録論文 18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
- TactileLab: せん断感覚を効率的にシミュレートする触覚シミュレーションによるSim-to-Real巧緻マニピュレーション触覚/sim2real2026/11/5
剛体シミュレーションで接触界面のせん断流れ場を効率的に生成する触覚シミュレーションフレームワークTactileLabを提案し、実触覚画像をシミュレーション触覚流れ場へ変換するreal-to-sim手法と組み合わせて実機での巧緻マニピュレーションを実現した。
- 触覚による把持内物体回転:シミュレーションと実機におけるハンド形態の比較研究マニピュレーション2026/10/19
低コストLEAPハンドの指配置(人間型 vs 対称型)と触覚センサの有無が把持内回転性能に与える影響を、シミュレーションと実機で比較検証した。対称型配置が回転数・回転速度・持続時間で優れ、指先負荷も低いことを示した。
- NeuralTouch: 触覚による精密なSim-to-Realロボット制御のためのニューラル記述子触覚2025/10/1
Neural Descriptor Fieldsと触覚フィードバックを組み合わせ、強化学習で把持姿勢を微調整することで、実機へのゼロショット転移を可能にしたマルチモーダル枠組みを提案。
- ViTacGen: 視覚から触覚を生成するロボット押し動作マニピュレーション2025/10/1
視覚画像から触覚情報(接触深度画像)を生成し、強化学習に統合することで、実触覚センサーなしでロボットの押し動作を実現するフレームワークを提案。
- 視覚ベース触覚センサの分類:レビュー触覚2025/9/1
視覚ベース触覚センサ(VBTS)を、接触を触覚画像に変換する原理に基づきマーカー型と強度型の2つに大別し、さらに4つのサブタイプに分類して比較したレビュー論文。
- Text2Touch: LLMが設計した報酬関数による触覚を活用したハンド内操作触覚2025/9/1
LLMに報酬関数を設計させ、触覚センサ付き4指ロボットハンドで多軸のハンド内物体回転を実現した研究。人間設計の報酬を上回る性能を、より簡潔な報酬で達成した。
- SimShear: シミュレーションから実機へのせん断触覚サーボ触覚2025/8/1
せん断変形をシミュレーションで陽にモデル化せずに、GANで触覚画像を変換し、実機の触覚制御に応用する手法を提案。
- 触覚ソフトハンドA:拮抗腱機構を備えた3Dプリント可能な高受動自由度ヒューマノイドロボットハンドマニピュレーション2024/6/1
拮抗腱機構と3Dプリント触覚センサを統合した5指ロボットハンドを開発し、把持適応性と操作性の向上を実証した。
- AnyRotate: 重力不変な手内物体回転を実現するSim-to-Real触覚触覚2024/5/1
高密度な触覚情報をシミュレーションで学習し実機へゼロショット転移することで、手の向きや重力に依存せず任意軸周りに未知物体を回転させるシステムを実現した。
- タッチで拓く3Dガウシアンスプラッティング:光沢面を高精度に再構成触覚2024/3/1
触覚の局所深度マップと多視点画像を組み合わせ、光沢・反射面でも少ない画像枚数で高精度に3D再構成する手法を提案。
- ロボットの触覚に対する注意:堅牢なSim-to-Real触覚制御のための触覚顕著性予測触覚2023/7/1
人間の触覚注意機構と視覚的顕著性予測に着想を得て、触覚画像中の重要な接触情報を特定する「触覚顕著性」の概念を提案し、接触深さ推定・顕著性予測・ノイズ生成の3ネットワークで実現した。
- 触覚によるプッシング操作のためのSim-to-Realモデルベース・モデルフリー深層強化学習触覚2023/7/1
視覚入力を使わず触覚センシングのみで物体を目標位置へ押すタスクに対し、モデルベースとモデルフリーの深層強化学習をsim-to-realで実機に適用し、未見物体への汎化と外乱下での高精度制御を実現した。
- Bi-Touch: シミュレーションから実機への深層強化学習による両腕触覚マニピュレーション触覚マニピュレーション2023/7/1
低コストの触覚センサを備えた双腕ロボットシステムを構築し、双方向プッシュ・再配向・収集タスクを深層強化学習と触覚sim-to-realで学習させ、実環境での汎化性と頑健性を示した。
- Tactile Gym 2.0:低コスト高解像度触覚センサを比較するためのSim-to-Real深層強化学習触覚/sim2real2022/7/1
3種類の光学式触覚センサ(TacTip, DIGIT, DigiTac)を対象に、単一のsim-to-real手法で実機タスク(物体押し・エッジ追従・表面追従)を高精度に達成し、低コスト4自由度アームでベンチマークを拡張した。
- DigiTac: 低コスト高解像度ロボット触覚を比較するDIGIT-TacTipハイブリッド触覚センサ触覚2022/6/1
GelSight型のDIGITセンサにTacTip型の3Dプリント感圧面を組み合わせたハイブリッド触覚センサを開発し、姿勢推定とサーボ制御で既存センサと性能を比較した。
- 確率的識別モデルによる触覚の知覚的エイリアシング問題の解決触覚2021/6/1
触覚データにおける知覚的エイリアシング問題を指摘し、混合密度ネットワークを用いた確率的識別モデルで曖昧な触覚入力を精度良く予測できることを示した論文。
- データ拡張で強化学習のサンプル効率を向上させる強化学習2019/10/1
観測データを反射対称性や緩い目標定義で再利用する2つのデータ拡張手法を提案し、深層強化学習の学習速度を大幅に向上させた。
- 不変変換による経験リプレイ:深層強化学習のためのデータ拡張強化学習/データ拡張2019/9/1
ロボットタスクに存在する対称性を利用し、観測軌道を変換して新たな学習データを生成するデータ拡張フレームワークを提案。鏡映対称性や目標定義の緩さを活用し、学習速度と成功率を大幅に向上させた。
