Zhiding Yu
NVIDIA
収録論文 21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
- VFlash：フラッシュプリミティブデコーディングによる高速で正確な視覚計画視覚計画2026/11/5
視覚プリミティブの座標を軽量ドラフタで一括予測し、自己回帰生成より約25倍高速かつ高精度にロボット軌道計画を生成する手法を提案。
- FLORA: ロボティクスデータエンジンをスケールさせるオープンモデルスイートデータエンジン2026/10/22
GR00Tモデル訓練向けの産業品質データエンジンFloraを公開。キャプション生成や報酬ラベリングでSOTAを達成し、API比で約125倍安価に大規模データ処理を実現する。
- 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。
- Recova: 自律ロボットマニピュレーションのためのエージェント誘導型失敗回復マニピュレーション2026/10/1
デジタルツイン上でエージェントが失敗を診断し回復行動を学習、実機での検証と人間デモを組み合わせて回復能力を拡張する枠組みを提案し、成功率と人間介入の削減を実証した。
- 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。
- Vesta: 汎用身体化推論モデルVLA2026/6/1
ロボットのための単一の基盤モデルで、位置推定・空間推論・ナビゲーション・長期計画を統合し、専門モデル群を上回る性能を示した。
- LocateAnything: 並列ボックスデコードによる高速・高品質な視覚言語グラウンディングVLA2026/5/1
視覚言語モデルによる物体検出・グラウンディングを、ボックス座標を並列に一度でデコードする方式に変え、推論速度と精度を両立させた。
- Fast-ThinkAct: 言語化可能な潜在プランニングによる効率的な視覚-言語-行動推論VLA2026/1/1
推論トレースを潜在的な思考連鎖に蒸留し、推論VLAの推論遅延を最大89.3%削減しつつ長期的プランニングや適応性能を維持する手法を提案。
- GR00T N1: 汎用人型ロボットのためのオープン基盤モデルVLA2025/3/1
視覚言語モジュールと拡散トランスフォーマを組み合わせた二重システム構成のVLA基盤モデルを提案し、実機・人間動画・合成データで学習して人型ロボットの両手マニピュレーションを実現した。
- Hydra-NeXt: 開ループ学習による堅牢な閉ループ自動運転自動運転2025/3/1
軌道予測・制御予測・軌道精緻化を1つのモデルに統合したマルチブランチ計画フレームワークを提案し、開ループ学習と閉ループ運転のギャップを埋めてBench2Driveで大幅な性能向上を達成した。
- 衝突シナリオ統合による自動運転の安全性向上自動運転2025/3/1
衝突データから安全志向の指標を用いて学習するSafeFusionと、言語プロンプトで衝突シナリオを生成するCollisionGenを提案し、衝突リスクの高い場面での計画性能を56%改善した。
- Centaur: テスト時訓練による堅牢なエンドツーエンド自動運転自動運転2025/3/1
テスト時訓練でプランナーの不確実性を最小化し、手設計のルールやコスト関数に頼らずに自動運転の安全性を向上させる手法を提案。
- Eagle：複数の視覚エンコーダを組み合わせたマルチモーダルLLMの設計空間の探求VLA2024/8/1
複数の視覚エンコーダを組み合わせる際の設計選択を体系的に比較し、視覚トークンを単純に連結する手法が有効であることを示した上で、Pre-Alignmentを導入したEagleモデルを提案した論文。
- 重要なものだけを記憶する：多重走行からの創発的シーン分解3Dマッピング2024/5/1
同じ領域を複数回走行したRGB動画から、自己教師ありで環境と一時的物体を分離し、3Dガウシアンマップを構築する手法を提案。
- FB-OCC: 前後方向ビュー変換に基づく3D占有予測3D占有予測2023/7/1
自動運転向けの3D占有予測タスクにおいて、前後方向のビュー変換を用いたFB-BEVを基盤に、深度とセマンティクスの事前学習やボクセル-BEV表現の統合などで精度を高め、nuScenesで首位となるmIoU 54.19%を達成した。
- VoxFormer: カメラ画像からの3D意味シーン補完のためのスパースボクセルトランスフォーマー3Dシーン補完2023/2/1
2D画像のみから、見えていない部分も含めた完全な3Dボリューム意味情報を推定するTransformerベースの手法を提案。可視ボクセルから密なボクセルへと段階的に補完する。
- SECANT: 視覚ポリシーのゼロショット汎化のための自己エキスパートクローニング視覚RL/汎化2021/6/1
弱い画像拡張でRLによりエキスパートを訓練し、強い拡張で生徒ネットワークが模倣学習することで、未知の視覚環境へのゼロショット汎化を実現した手法。
- 合成画像から実画像への汎化を自動化する学習最適化手法sim2real2020/7/1
合成画像で学習したモデルがImageNet事前学習モデルの表現を維持するよう促し、層ごとの学習率選択を学習的最適化で自動化することで、実データなしで合成→実の汎化性能を向上させた研究。
- 信頼度正則化自己学習ドメイン適応2019/8/1
疑似ラベルの過信を抑えるため、ラベル正則化とモデル正則化を導入した自己学習フレームワークを提案し、画像分類とセマンティックセグメンテーションで高精度を達成した。
- エッジ位置ずれの同時補正と学習エッジ検出2018/8/1
エッジ検出学習でラベルの位置ずれが精度を大きく下げる問題に対し、位置合わせを潜在変数最適化としてネットワーク訓練中にエンドツーエンドで学習する枠組みを提案した論文。
- 構造化ハフ投票による視覚ベースの高速道路境界検出認識/検出2014/11/1
道路境界と車線標示の幾何学的関係を利用し、検出と追跡を統合した構造化ハフ投票で高速道路の境界を頑健に検出する手法を提案した論文。
