Yiming Wang
Tsinghua University
収録論文 27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
- PrismWAM:ワールドアクションモデルにおける状態表現の分離VLA2026/10/19
外観(意味)と物理状態を分離し、意味計画→深度空間での物理ロールアウト→実行可能行動のパイプラインで操作タスクを解くワールドアクションモデルを提案。大規模事前学習なしで高い操作性能を示す。
- 同型外骨格テレオペレーションと独立スキルルーティングによるヒューマノイドの組合せ的マニピュレーションマニピュレーション2026/10/19
腕ごとに実演したスキルを共有エキスパートプール上で独立にルーティングする拡散ポリシーHS-MoDPと、腕の関節を直接操作できる同型外骨格G1Exoを提案し、Unitree G1で接触を伴う棚作業の成功率を35%から65%に向上させた。
- 幾何学的候補モードを用いたマルチモーダル実演からのナビゲーション学習ナビゲーション2026/10/14
局所幾何から候補モードを計算し、実演からどのモードをどう辿るかを階層型ニューラルネットワークで学習するナビゲーション手法を提案し、シミュレーションと二足歩行ロボットで有効性を示した。
- PEARS: 物理事前知識と触覚フィードバックによる失敗推論・拡散誘導を用いた効率的適応触覚2026/10/6
視覚言語モデルの物理事前知識で失敗を診断し接触力制約を更新、触覚条件付き拡散誘導で事前学習方策をオンライン適応させる、サンプル効率の高い触覚マニピュレーション手法。
- GLoTouch: 並列グリッパによるグローバル・トゥ・ローカルな触覚知覚で外部視覚なしに物体探索・認識・把持を実現触覚2026/9/23
並列グリッパに長尺プローブと視触覚センサを組み合わせ、暗所でも触覚のみで容器内の物体探索から形状認識・把持までを行う枠組みを提案した。
- メートル単位で行動する:精密ロボット操作のための計量的相互作用の学習マニピュレーション2026/9/16
物体とシーンに対する動作の計量的な関係を明示的にモデル化し、VLAやWAMモデルの操作精度を向上させるフレームワークを提案した。
- VT-MUSE: 操作のためのマルチモーダル統合シーケンシャル視触覚表現学習視触覚表現学習2026/8/21
視覚と触覚の時系列情報を統合する表現学習フレームワークを提案し、シミュレーションと実世界で操作タスクの成功率を大幅に向上させた。
- LA4VLA: 視覚なしで行動を学習する言語-行動事前学習VLA2026/6/1
視覚-言語-行動モデルが視覚情報に過度に依存する問題を解決するため、視覚観察なしで言語条件付き行動の事前学習を行うフレームワークを提案し、シミュレーションと実世界で性能向上を確認した。
- E²DT:経験認識サンプリングによる効率的かつ効果的なロボット操作のためのディシジョン・トランスフォーマー強化学習2026/5/1
ロボット操作の強化学習において、ディシジョン・トランスフォーマーの性能を向上させるため、経験の質と多様性を考慮したサンプリング手法を提案した論文。
- C2T: キャプション構造とLLM整合型常識報酬学習による交通・車両協調群制御2026/4/1
交通信号制御と自動運転車の協調において、人手設計の報酬に代わり、大規模言語モデルから常識知識を抽出して内在報酬を学習し、MARLポリシーを導くフレームワークC2Tを提案した。
- 対話を超えたベンチマーキング:協調的インスタンス物体ナビゲーションの再現可能なベンチマークナビゲーション2026/3/31
本論文は、協調的インスタンス物体ナビゲーション(CoIN)のための再現可能なベンチマークQAsk-Navを提案し、ナビゲーションと質問応答の能力を独立に評価できるようにした。また、軽量な統一モデルLight-CoNavを開発し、既存手法より小型・高速でありながら、未知の物体や環境への汎化性能が高いことを示した。
- 予測時空間観測と深層強化学習による分散型エンドツーエンド多機追跡群制御2026/3/1
LiDAR生データから直接制御指令を生成する分散型MARLフレームワークを提案し、予測時空間観測により障害物回避と動的目標の包囲を実現、実機ドローン群で検証した。
- ExoGS: スケーラブルなマニピュレーションデータ収集のための4D Real-to-Sim-to-Realフレームワークsim2real2026/1/1
人間の直接教示をロボット同型の受動外骨格で計測し、環境と物体を3Dガウシアンスプラッティングで再構成してシミュレーション上で大規模データ拡張と方策学習を行うReal-to-Sim-to-Real手法を提案。
- RGMP: 汎化可能なヒューマノイドロボット操作のための再帰的幾何事前マルチモーダルポリシーマニピュレーション2025/11/1
視覚言語モデルに幾何学的な事前知識を組み込み、ガウス過程でロボットと対象物の関係を再帰的に符号化することで、少ないデータで未知環境にも汎化するヒューマノイド操作を実現した。
- ロボット把持のための障害物推論マニピュレーション2025/11/1
散らかった環境で目標物体を把持するため、障害物を除去する行動順序を推論する視覚言語モデルUNOGraspを提案し、大規模データセットUNOBenchで訓練・評価した。
- AirExo-2:低コスト外骨格による汎化可能なロボット模倣学習のスケールアップ模倣学習2025/3/1
低コストの外骨格システムAirExo-2で実世界の大規模デモンストレーションデータを収集し、それを擬似ロボットデータに変換して、3D空間と2D意味論を融合する模倣学習ポリシーRISE-2を訓練した。
- 自由形式言語によるロボット推論と把持マニピュレーション2025/3/1
GPT-4oなどの視覚言語モデルを活用し、自由な指示に基づいて散らかった箱から物体を把持するFreeGraspを提案。物体をキーポイントで検出し、空間推論を行い把持順序を決定する。
- ForceMimic: 力中心の模倣学習と力・動作キャプチャシステムによる接触の多いマニピュレーションマニピュレーション2024/10/1
人間の力加減を計測する装着型デバイスで野菜の皮むきなどの接触作業のデモを集め、力と位置を同時に扱う模倣学習でロボットに教える手法を提案。視覚のみの手法より成功率を54.5%向上させた。
- 対話型指示エラー検出と位置特定による連続環境での視覚言語ナビゲーションVLA2024/6/1
連続環境での視覚言語ナビゲーションにおいて、ユーザーの指示エラーを検出し位置を特定して対話的に修正を求める手法を提案し、新しい評価指標SINを導入した。
- 指示エラーの検出と位置特定:視覚と言語によるナビゲーションにおける課題VLA2024/3/1
視覚と言語によるナビゲーション(VLN-CE)において、人間が与える指示に含まれる誤りを検出・位置特定するための新しいベンチマークと手法を提案し、既存手法の脆弱性を示した。
- AirExo:低コスト外骨格による実環境での腕全体マニピュレーション学習マニピュレーション2023/9/1
低コストで可搬な双腕外骨格AirExoを開発し、遠隔操作と実環境での大規模デモ収集を可能にした。3分の遠隔操作デモと実環境データの併用で、20分以上の遠隔操作デモに匹敵する汎化性能の高い方策を学習できることを示した。
- 不確実な検出下でのモンテカルロ計画による教師なし能動的視覚探索能動的視覚探索2023/3/1
2D床地図のみを既知情報として、物体検出器の失敗を考慮した確率モデルとPOMDPのモンテカルロ計画により、訓練なしで能動的視覚探索を行う手法を提案し、ベンチマークで成功率を35%向上させた。
- 3DSGrasp: 3D形状補完によるロボット把持マニピュレーション2023/1/1
部分的な3D点群から欠損形状をTransformerで補完し、信頼性の高い把持姿勢を生成する手法を提案。実世界で把持成功率を大幅に改善。
- 局所3D深層記述子によるループ閉じ込み検出SLAM2021/11/1
点群パッチの局所3D深層記述子(L3D)を用い、相互最近傍記述子間の誤差で重なりを評価するループ閉じ込み検出法を提案し、LiDARやSLAMシステムで高精度な6自由度姿勢推定を実現した。
- POMP++: 未知屋内環境におけるPOMCPベースの能動的視覚探索能動的視覚探索2021/7/1
未知の屋内環境で物体を探す能動的視覚探索のため、POMCPを拡張し学習不要でオンラインに方策を計画する手法を提案。床地図を動的に生成しつつ信念を再活性化する戦略で、2つの公開ベンチマークにおいて最先端を10%以上上回る成功率を達成した。
- 次はどこを探索すべきか?履歴を考慮した自律3D探索のためのExHistCNN3D探索2020/11/1
深度カメラによる未知屋内環境の自律3D探索において、現在の深度観測と再構成履歴を補助ユーティリティマップとして統合し、次最良視点(NBV)を軽量CNNで推定する手法を提案した論文。
- POMP: 屋内環境における能動的視覚探索のためのPOMCPベースオンライン動作計画能動的視覚探索2020/9/1
既知の屋内環境で物体を探す能動的視覚探索を、POMDPとしてモンテカルロ計画で解くオンライン手法を提案。学習不要で地図情報のみを用い、AVDベンチマークで成功率0.76を達成した。
