Yu-Wei Chao
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
- Cosmos 3: 物理AIのための全モーダル世界モデルVLA2026/6/1
言語、画像、動画、音声、行動を統一的に扱う全モーダル世界モデルを提案し、理解・生成タスクでSOTAを達成した。
- GraspGen-X: クロスエンボディメント6自由度拡散ベース把持把持2026/6/1
異なるグリッパー形状や物理的把持プロセスにも対応できる、拡散モデルを用いた6自由度把持生成手法を提案。スイープボリュームによるグリッパー表現と手続き的グリッパーによる大規模データセットで訓練し、未知のグリッパーへのゼロショット汎化を実現した。
- PointWorld: 実世界ロボット操作のための3D世界モデルのスケーリングマニピュレーション2026/1/1
RGB-D画像とロボットの行動コマンドから3D点群の動きを予測する大規模事前学習済み3D世界モデルを提案し、実機ロボットのモデル予測制御に応用した。
- Openpi Comet:2025 BEHAVIORチャレンジ競技解法マニピュレーション2025/12/1
2025 BEHAVIORチャレンジに向けた解法を提案し、事前学習と事後学習のスケーリング効果を明らかにして、検証Qスコア0.345を達成した。
- 物理AIのための動画基盤モデルによる世界シミュレーション世界モデル2025/11/1
テキスト・画像・動画から世界を生成する動画基盤モデルCosmos-Predict2.5と、Sim2Real/Real2Real変換を行うCosmos-Transfer2.5を発表し、ロボティクス向けの合成データ生成やシミュレーションを可能にした。
- GRITS: こぼれを考慮した誘導拡散ポリシーによるロボットの食品すくいタスクマニピュレーション2025/10/1
食品すくい時のこぼれを予測するモデルを拡散ポリシーの誘導信号として使い、こぼれを抑えつつ成功率を高める手法を提案し、実機で有効性を示した。
- VT-Refine: 視触覚フィードバックによる両手組立のシミュレーション微調整学習マニピュレーション2025/10/1
少数の実演と高忠実度の触覚シミュレーションを組み合わせ、強化学習で両手組立ポリシーを微調整することで、接触の多い精密作業の実世界性能を向上させた研究。
- Dexplore: 参照スコープ探索による器用な操作のためのスケーラブルなニューラル制御マニピュレーション2025/9/1
人間の手のモーションキャプチャをソフトなガイドとして活用し、リターゲティングと追従を単一ループで統合最適化することで、器用なロボット操作の制御方策を大規模に学習する手法を提案。
- 文脈とタスクを考慮した拡散モデルによるタスク指向の人間把持生成マニピュレーション2025/7/1
シーンとタスク情報を考慮した接触マップを構築し、拡散モデルでタスクに適した人間の把持姿勢を生成する手法を提案。新データセットと評価指標も導入した。
- GraspGen: オブジェクト把持のための拡散モデルフレームワークマニピュレーション2025/7/1
拡散モデルを用いて6自由度の把持を生成し、識別器でフィルタリングするフレームワークを提案。5300万把持のデータセットを公開し、実機でも高い性能を示した。
- 人間の単一動画からの視覚的模倣によるスロット単位のロボット配置模倣学習2025/4/1
人間の作業動画を1本見せるだけで、どの物体をどこに置くかを理解し、ロボットが同じ配置作業を再現できるモジュール式システムSLeRPを提案した。
- 人間との対話による推論時ポリシーステアリングVLA2024/11/1
事前学習済みの生成ポリシーを微調整せずに、人間の介入でサンプリング過程をバイアスし、意図に沿った行動を引き出す枠組みを提案。
- 動画からの潜在行動事前学習VLA2024/10/1
ロボットの行動ラベルなしでインターネット規模の動画からVLAモデルを事前学習する手法を提案し、実世界のマニピュレーションタスクで既存手法を上回る性能を示した。
- Synthetica: ロボット知覚のための大規模合成データsim2real2024/10/1
フォトリアルなレイトレーシングで270万枚の合成画像を生成し、ロボットの物体検出を高精度・リアルタイム(50-100Hz)で行う手法を提案。
- RVT-2: 少数のデモンストレーションから精密なマニピュレーションを学習マニピュレーション2024/6/1
言語指示に基づく多タスク3Dマニピュレーションにおいて、アーキテクチャとシステムの改善により学習を6倍、推論を2倍高速化し、RLBenchで成功率82%を達成、実世界でも10回のデモで高精度タスクを学習可能にした。
- SKT-Hang: 物体に依存しない意味的キーポイント軌道生成による日常物体の吊り下げマニピュレーション2023/12/1
把持した多様な物体を様々な支持物に吊り下げるため、物体に依存しない意味的キーポイント軌道表現と、支持物の形状に応じてテンプレート軌道を変形する生成モデルを提案し、成功率と推論時間を改善した。
- SynH2R: 人間からロボットへの受け渡し学習のための手指物体動作の合成マニピュレーション2023/11/1
人間の動作キャプチャデータに頼らず、受け渡しに適した手指物体動作を合成してロボット方策を訓練する手法を提案し、実機でも既存手法に匹敵する性能を示した。
- AnyTeleop:汎用視覚ベースの器用なロボットアーム・ハンド遠隔操作システム遠隔操作2023/7/1
様々なロボットアームやハンド、シミュレータ、実機、カメラ構成に対応する汎用的な視覚ベース遠隔操作システムを提案し、特定ハードウェア向けの従来システムを上回る性能を示した。
- Proto-CLIP: 少数ショット学習のための視覚言語プロトタイプネットワークVLA2023/7/1
CLIPの画像・テキスト埋め込みを少数ショット例で適応し、両者のプロトタイプを整合させて分類精度を高める少数ショット学習フレームワークを提案。
- RVT: 3D物体操作のためのロボットビュー変換器マニピュレーション2023/6/1
複数視点のカメラ画像をTransformerで統合し、仮想視点からの再描画により、スケーラブルかつ高精度な3D操作を実現する手法を提案。
- 点群からの人からロボットへの受け渡し学習sim2real2023/3/1
人間からロボットへの物体受け渡しを点群入力から学習する初のフレームワークを提案し、シミュレーションと実機で性能向上を示した。
- 暗黙的形状拡張による頑健な実世界巧みな把持ポリシーの学習マニピュレーション2022/10/1
少数の人間の把持実演から、対応関係を考慮した暗黙的生成モデルで物体メッシュと把持を変形し、多様な新規物体の把持データセットを生成して、実世界で使える頑健な把持ポリシーを学習する手法を提案。
- FewSOL: ロボット環境における少数ショット物体学習のためのデータセット少数ショット学習2022/7/1
336個の実物体を9視点から撮影したRGB-D画像とセグメンテーション・姿勢・属性情報、および330個の3Dモデルから生成した合成画像を収録したデータセットを構築し、少数ショット物体分類とセグメンテーションの性能を評価した。
- HandoverSim: 人からロボットへの物体受け渡しのためのシミュレーションフレームワークとベンチマークsim2real2022/5/1
人からロボットへの物体受け渡しをシミュレーションするベンチマークを提案し、動作キャプチャデータを活用して訓練・評価環境を構築、複数のベースラインの性能を分析した。
- 人間からロボットへの円滑な受け渡しのためのモデル予測制御物体受け渡し2022/4/1
人間から物体を受け取る際のロボットの滑らかな動作を、知覚と制約を統合したモデル予測制御で生成し、把持候補選択や接触検出も組み合わせて実機実験で有効性を示した論文。
- 反復フロー最小化によるロボット物体再配置マニピュレーション2022/2/1
RGBD画像から未知物体の再配置を行うため、RAFTベースのオプティカルフロー推定と反復最小化を組み合わせた手法を提案し、合成データのみの学習で実世界の乱雑な環境にも適用できることを示した。
- 人間のクエリからのブートストラップによる知覚概念の学習知覚概念学習2021/11/1
シミュレータの特権情報を使って最小限の人間入力から低次元の幾何学的概念を学び、それを自動ラベラーとして高次元センサデータの大規模データセットを合成することで、人間のラベル負担を抑えつつ実センサ入力で使える知覚概念を学習するフレームワークPCBを提案した。
- 任意物体の反応型ヒューマン・トゥ・ロボット受け渡し物体受け渡し2020/11/1
視覚と閉ループ運動計画を組み合わせ、未知の多様な物体を人からロボットへリアルタイムに受け渡すシステムを提案し、26物体のベンチマークとユーザー研究で有効性を示した。
- 動作推論による目標ベース模倣学習模倣学習2019/11/1
第三者視点の動画から記号的な目標を推定するため、タスク・動作計画を組み合わせて実演者の真の意図を曖昧性除去する動作推論フレームワークを提案し、実キッチンで再現可能なことを示した。
- DexPilot:素手の視覚認識による多指ロボットハンド・アームの低コスト遠隔操作システム遠隔操作2019/10/1
素手の映像だけから23自由度の多指ロボットハンド・アームを低コストで遠隔操作できる視覚ベースのシステムを開発し、単純なピック&プレースを超える複雑な操作タスクの実現と高次元データ収集を示した。
