Zhaoxiang Zhang
NLPR, Institute of Automation, Chinese Academy of Sciences
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
- Trace-WAM: 3D運動予測で行動を学習するワールドアクションモデルVLA2026/10/27
未来の3D運動予測を補助タスクとして映像・行動学習に組み込み、操作に重要な物体とロボットの動きを表現に反映させるTri-MoT構成のワールドアクションモデルを提案。分布外汎化とデモ不足時の性能向上を示した。
- DreamTrue: 反事後学習による行動忠実なロボット世界モデル世界モデル2026/10/8
多視点・異形態ロボット向けの世界モデルで、行動軌跡を画像空間条件に変換し幾何キャリブレーションで整合させ、反事実的事後学習と報酬モデルで物理的に妥当な動画予測を実現した。
- 文脈内ロボット学習の簡素化:マニピュレーションタスクのための民主化レシピマニピュレーション2026/9/29
ロボットの文脈内学習(ICL)の曖昧さを解消する問題定義を提示し、視覚プロンプトエンコーダと低コストデータ収集で構成される再現可能なフレームワークSimpleICLを開発、シミュレーションと実世界で高性能を達成した。
- UniPart: 実世界インタラクションのためのゼロショット言語接地3Dパーツセグメンテーション3Dセグメンテーション2026/9/11
自由なテキスト指示から点群上の機能パーツを切り出すクロスモーダル3D Transformerを提案し、大規模データセット構築によりゼロショット性能と実機把持への転移を実現した。
- BrainWAM: 自動運転のための意味的先行知識と予測ダイナミクスの行動空間協調自動運転2026/8/1
自動運転の計画において、意味的推論(VLA)と予測的ダイナミクス(WAM)を単純に結合すると注意配分の不一致が生じる問題を解決するため、行動空間で両者を協調させるBrainWAMを提案し、NAVSIMで最高性能を達成した。
- ABot-AgentOS: 生涯マルチモーダルメモリを備えた汎用ロボットエージェントOSエージェントOS2026/7/1
低レベル制御の上に推論・記憶・ツール使用・検証・クロス実体実行を提供する汎用ロボットエージェントOSを提案し、実行可能なベンチマークと永続的なマルチモーダルグラフメモリを導入した。
- ワールドパイロット:世界行動事前知識で視覚言語行動モデルを操縦するVLA/操作2026/6/1
視覚言語行動モデルに、世界モデルから得たシーン進化の潜在表現と予測軌道を事前知識として注入し、分布外操作タスクや実ロボットでの成功率を向上させた。
- WorldArena 2.0:モダリティ・機能・プラットフォームにわたる身体化ワールドモデルベンチマークの拡張ベンチマーク2026/5/1
身体化ワールドモデルの評価を、視覚のみから視触覚へ、政策評価から強化学習環境としての利用へ、シミュレータから実ロボットへと拡張したベンチマークを提案した。
- DexJoCo: MuJoCo上でのタスク指向巧みな操作のためのベンチマークとツールキット巧みな操作2026/5/1
巧みなロボットハンドの操作能力を評価するための、11の機能ベースのタスクとデータ収集システムを含むベンチマークとツールキットを提案し、現代のモデルの性能を分析した。
- DynVLA: 自動運転における行動推論のための世界ダイナミクス学習自動運転/VLA2026/3/1
自動運転向けVLAモデルDynVLAを提案し、行動生成前に世界のダイナミクスを予測する新しいCoTパラダイムを導入した。
- WorldArena:身体性世界モデルの知覚と機能的実用性を評価する統合ベンチマーク世界モデル2026/2/1
身体性世界モデルを映像知覚品質と下流タスクでの機能的実用性の両面から評価する統合ベンチマークWorldArenaを提案し、14モデルの実験から知覚と機能の間に大きなギャップがあることを示した。
- MarketGen: 自動生成される実体化スーパーマーケット環境を備えたスケーラブルなシミュレーションプラットフォームsim2real2025/11/1
スーパーマーケット環境を自動生成するシミュレーションプラットフォームMarketGenを提案し、レジ袋詰めと棚からの商品収集という2つのタスクのベンチマークを構築した。
- EmbodiedCoder: コーディングモデルによるパラメータ化された身体性モバイルマニピュレーションモバイルマニピュレーション2025/10/1
コーディングモデルを活用し、追加学習なしで自然言語指示から実行可能なロボット軌道を生成する、解釈性の高いモバイルマニピュレーションのフレームワークを提案した。
- DriveDPO:安全な選好最適化によるエンドツーエンド自動運転の政策学習自動運転2025/9/1
人間模倣とルールベース安全性を統合した選好最適化で運転軌道を学習し、NAVSIMで最高性能を達成した手法。
- SIG-Chat: 空間意図に導かれた対話ジェスチャー生成 — いつ・どのように・どこでジェスチャー生成2025/9/1
音声・言語・空間情報を統合し、対話相手とのインタラクションのタイミングや方向を考慮したジェスチャーを生成するモデルを提案し、ヒューマノイドロボットに実装した研究。
- DexVLG: 大規模巧みな視覚-言語-把持モデルマニピュレーション2025/7/1
単視点RGBD入力から言語指示に沿った巧みな手の把持姿勢を予測する大規模モデルを提案し、1.7億の把持データで学習してゼロショット汎化性能を実証した。
- 統一視覚言語行動モデルVLA2025/6/1
視覚・言語・行動を離散トークン列として自己回帰的にモデル化し、大規模動画から因果ダイナミクスを学習する統合VLAモデルUniVLAを提案。
- Ross3D: 3D認識を備えた再構成的視覚インストラクションチューニング3Dシーン理解2025/4/1
3Dシーン理解のための大規模データ不足に対処するため、クロスビューとグローバルビューの再構成を訓練に組み込んだ3D認識型視覚インストラクションチューニング手法を提案し、複数のベンチマークで最高性能を達成した。
- Voxel Mamba: 点群3D物体検出のためのグループフリー状態空間モデル3D物体検出2024/6/1
3Dボクセルを単一の系列にシリアライズするグループフリーな状態空間モデルを提案し、階層構造と位置エンコーディングで空間的近接性を保ちつつ、3D物体検出の精度と計算効率を向上させた。
- MemoNav: 視覚ナビゲーションのための作業記憶モデル視覚ナビゲーション2024/2/1
画像ゴールナビゲーションにおいて、短期・長期・作業記憶を組み合わせてゴールに関連するシーン特徴を効率的に抽出する新しい記憶モデルを提案し、複数の難易度で従来手法を上回る性能を示した。
- MixSup: ラベル効率の良いLiDAR 3D物体検出のための混合粒度教師あり学習3D物体検出2024/1/1
安価なクラスタ単位の粗いラベルと少数の正確なボックスラベルを併用し、LiDAR 3D物体検出を効率的に学習する手法を提案。
- FSD V2: 仮想ボクセルによる完全スパース3D物体検出の改良3D物体検出2023/8/1
LiDARベースの完全スパース3D物体検出において、手設計のクラスタリングを仮想ボクセルに置き換え、よりシンプルで汎用的なFSDv2を提案し、複数データセットで最先端性能を達成した。
- PanoOcc: カメラベース3Dパノプティックセグメンテーションのための統合占有表現3D知覚2023/6/1
複数フレーム・複数視点の画像からボクセルクエリで時空間情報を集約し、カメラのみで3Dシーンを統合的に理解する占有表現を実現した手法を提案。
- 一度検出すれば見失わない:オフラインLiDAR 3D物体検出における人間超え性能3D物体検出2023/4/1
人間のアノテータがトラック単位で物体を注釈する点に着想を得て、双方向トラッキングとトラック中心学習を組み合わせたオフラインLiDAR 3D物体検出器CTRLを提案し、Waymo Open Datasetで人間の注釈精度と従来SOTAを上回った。
- 超スパース3D物体検出3D物体検出2023/1/1
LiDARの長距離知覚に向け、完全スパースな物体検出器FSDと、時間情報で冗長性を削減した超スパース検出器FSD++を提案。
- 完全スパース3D物体検出3D物体検出2022/7/1
LiDARの知覚範囲拡大に対応するため、計算・空間コストが点群数にほぼ線形で知覚範囲に依存しない完全スパースな3D物体検出器FSDを提案。スパースインスタンス認識モジュールで中心特徴欠落問題を解決し、WaymoとArgoverse2で最先端性能を達成。
- RangeDet:距離画像ビューで挑むLiDAR 3D物体検出3D物体検出2021/3/1
LiDARの距離画像表現のみを用いたアンカーフリー単段階3D物体検出器を提案し、スケール変動と座標系の不整合を解消する3つの工夫で従来の距離画像手法を大幅に上回った。
