Zhiyuan Xu
Beijing Innovation Center of Humanoid Robotics
収録論文 32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
- HAF-VLA: ヒューマノイドの視覚-言語-行動制御のための階層的行動フローフレームワークVLA2026/10/19
事前学習済みフローマッチングVLAを階層的に適応させ、移動・頭・腰・全身操作を段階的に生成することでヒューマノイドの全身移動操作を実現した研究。
- HAF: 階層的アクションフローとスペクトル潜在RLによる汎用VLAのヒューマノイド全身移動操作への適応ヒューマノイド/VLA/強化学習2026/8/17
汎用VLA基盤モデルをヒューマノイドの全身移動操作に適応させるための2部構成フレームワークHAFを提案。階層的なアクション生成とオンラインRLによるポリシー改善を実現する。
- RobotPan: 身体化知覚のための360度全方位ロボット視覚システム視覚システム2026/4/1
6台のカメラとLiDARを組み合わせ、ロボット周囲を360度カバーする視覚システムを構築し、リアルタイムレンダリング・再構成・ストリーミングを可能にする3Dガウシアン予測フレームワークを提案した。
- HEX: 人間型アライメント専門家によるクロスエンボディ全身操作全身操作/VLA2026/4/1
全身協調操作を実現するため、人間型ロボットに特化した状態中心フレームワークHEXを提案。多様な身体構造に適用可能な状態表現と、全身協調と時間的運動ダイナミクスをモデル化する専門家混合機構を導入し、実機での操作成功率と汎化性能を向上させた。
- 産業運搬タスクにおける人型ロボットの負荷対応歩行制御歩行制御2026/3/1
人型ロボットが荷物を運搬する際の安定歩行を実現するため、強化学習と運動学に基づく参照軌道を組み合わせた負荷対応フレームワークを提案し、シミュレーションと実機で有効性を検証した。
- Heracles: 精密追従と生成的合成を橋渡しする汎用人型制御人型制御2026/3/1
人型ロボットの汎用制御において、厳密な参照追従と生成的な適応を統合する拡散モデルベースの中間層を提案し、外乱に対する頑健性と自然な回復動作を実現した。
- CRAFT: 力覚対応カリキュラム微調整による接触の多いマニピュレーションへのVLAモデル適応マニピュレーション2026/2/1
VLAモデルに力覚情報を優先的に学習させるカリキュラム微調整フレームワークCRAFTを提案し、接触の多い操作タスクでの成功率と汎化性能を向上させた。
- RoboGene: 多様性駆動型エージェントフレームワークによる実世界タスク生成でVLA事前学習を強化VLA2026/2/1
多様で物理的に実現可能な操作タスクを自動生成するエージェントフレームワークを提案し、VLAモデルの事前学習データ収集を効率化して汎化性能を向上させた。
- RoboAug: 領域対比データ拡張による単一アノテーションから数百シーンへのロボットマニピュレーションマニピュレーション2026/2/1
1枚の画像のバウンディングボックス注釈だけで生成モデルと領域対比損失を用いてデータ拡張を行い、ロボットマニピュレーションの汎化性能を向上させる手法を提案。
- RoboMIND 2.0:汎用身体知能のためのマルチモーダル両腕移動マニピュレーションデータセットマニピュレーション2025/12/1
6種類のロボットで集めた31万件超の両腕操作・移動マニピュレーション軌道(触覚・シミュレーション含む)を公開し、階層型VLM+VLAシステムMIND-2を提案した論文。
- 不完全な介入を活用する実世界強化学習マニピュレーション2025/12/1
人間の介入が常に最適とは限らない実世界ロボット操作において、状態ごとの不確実性に基づく制約付き強化学習SiLRIを提案し、介入を活用しつつ性能劣化を防ぐ。
- XR-1: 統合視覚運動表現の学習による汎用視覚-言語-行動モデルVLA2025/11/1
視覚ダイナミクスとロボット運動を統合した離散潜在表現UVMCを二枝VQ-VAEで学習し、異種ロボットデータを横断する汎用VLAモデルXR-1を三段階学習で構築した研究。
- VLMから時間的に一貫した報酬を学習なしで生成する手法VLA2025/7/1
VLMを用いてサブゴールの状態変化を追跡し、ベイズ推定で報酬を生成することで、追加学習なしにロボット操作の強化学習を高精度化するフレームワークを提案。
- FreqPolicy: 周波数一貫性による効率的なフローベース視覚運動ポリシーVLA2025/6/1
フローベースの視覚運動ポリシーに周波数領域の一貫性制約を導入し、時間的連続性を保ちながら1ステップでの高品質な行動生成を可能にした手法。
- SwitchVLA: 実行状態を考慮したタスク切り替えが可能な視覚-言語-行動モデルVLA2025/6/1
実行中に指示が変わっても柔軟に対応できるVLAフレームワークを提案し、外部プランナーや専用データなしで滑らかなタスク切り替えを実現した。
- HACTS: 人間を副操縦士とするロボット学習用遠隔操作システム遠隔操作2025/3/1
ロボットアームと遠隔操作デバイスの双方向リアルタイム関節同期を実現し、人間が介入しながら修正データを収集できる低コストなシステムを開発した。模倣学習と強化学習の性能を向上させる。
- ChatVLA:視覚・言語・行動モデルによるマルチモーダル理解とロボット制御の統合VLA2025/2/1
視覚言語行動モデルにおける「忘却」と「タスク干渉」を解決するため、段階的アライメント訓練とMixture-of-Expertsを組み合わせたChatVLAを提案し、マルチモーダル理解と実ロボット操作の両方で高性能を実現した。
- RoboMIND:ロボットマニピュレーションのためのマルチエンボディメント知能規範データセットマニピュレーション2024/12/1
4種類のロボットによる10.7万件の模倣学習用デモンストレーション軌道と失敗例、デジタルツイン環境を提供する大規模データセットを構築し、VLAモデルの性能を評価した。
- ACL-QL: オフライン強化学習のためのQ学習における適応的保守レベルオフライン強化学習2024/12/1
オフライン強化学習において、状態行動ペアごとに保守性の度合いを適応的に制御する手法ACL-QLを提案し、過度に保守的になる問題を緩和して性能を向上させた。
- ロボット操作のための10億パラメータへの拡散方策のスケーリング模倣学習2024/9/1
拡散方策のスケーリング問題を解決するため、観測特徴の分解と非因果的注意を用いたスケーラブル拡散トランスフォーマー方策を提案し、10億パラメータまで拡張可能にした。
- Mambaポリシー:ハイブリッド選択的状態モデルによる効率的な3D拡散ポリシーマニピュレーション2024/9/1
拡散モデルベースの3Dマニピュレーションポリシーを、MambaとAttentionを組み合わせた軽量なXMambaブロックで置き換え、パラメータ数を80%以上削減しつつ性能を向上させた研究。
- 離散ポリシー:マルチタスクロボット操作のための分離された行動空間の学習マニピュレーション2024/9/1
ベクトル量子化で行動系列を離散潜在空間にマッピングし、タスク固有のコードを学習することで、マルチタスク操作を可能にするロボット学習手法を提案。実機実験でDiffusion PolicyやOpenVLAを上回る成功率を達成。
- TinyVLA: ロボットマニピュレーションのための高速・データ効率的な視覚言語行動モデルVLA2024/9/1
大規模事前学習不要で高速推論が可能なコンパクトな視覚言語行動モデルTinyVLAを提案し、シミュレーションと実機でOpenVLAを上回る速度とデータ効率を実現した。
- MMRo:マルチモーダルLLMは家庭内ロボットの脳として適格か?VLA2024/6/1
家庭内ロボットの脳としてマルチモーダルLLMを評価する初のベンチマークMMRoを提案し、知覚・計画・視覚推論・安全性の4能力14指標で商用・オープンソースモデルを比較した。
- 基盤モデルを用いたロボティクス:身体性AIに向けたサーベイVLA2024/2/1
ロボットの自律マニピュレーションを対象に、基盤モデルを活用した研究を高レベル計画と低レベル制御の両面から整理し、データセット・シミュレータ・ベンチマークや今後の課題をまとめたサーベイ。
- 深度認識を活用した事前学習による視覚ロボットマニピュレーションマニピュレーション2024/1/1
大規模3Dデータを用いた自己教師あり学習でRGBのみの視覚バックボーンを事前学習し、3D空間でのマニピュレーション性能を向上させる手法を提案。
- 物体中心の指示拡張によるロボットマニピュレーションマニピュレーション2024/1/1
マルチモーダル大規模言語モデルを用いて物体の位置情報を自然言語指示に織り込み、模倣学習ポリシーの操作性能を向上させる枠組みを提案した。
- 不完全なデモンストレーションからの自己教師あり学習によるロボットマニピュレーションマニピュレーション2024/1/1
失敗を含む不完全なデモデータを自己教師ありで評価・選別し、高品質な部分を訓練データに追加することで、ロボットマニピュレーションの成功率を向上させるフレームワークを提案。
- 制御認識型拡張による汎用視覚運動方策の効率的学習VLA2024/1/1
自己教師ありの制御関連領域マスクで拡張を適用し、専門家から生徒方策へ蒸留することで、未知環境でも微調整なしに汎化する視覚運動方策を効率的に学習するフレームワークEAGLEを提案。
- 高速・低速思考を備えた言語条件付きロボットマニピュレーションマニピュレーション2024/1/1
認知科学の二重過程理論に着想を得て、指示の種類に応じて高速思考系と低速思考系を使い分けるロボット操作フレームワークRFSTを提案し、意図認識や推論が必要な複雑なタスクを実世界で実現した。
- DTF-Net: 変形可能テンプレート場によるカテゴリレベル姿勢推定と形状再構成姿勢推定2023/8/1
カテゴリごとの変形可能なテンプレート場を学習し、未知物体の6D姿勢推定と形状再構成をRGB-D画像から行う手法を提案。
- CMG-Net: 接触ベースの多指巧み把持のためのエンドツーエンドネットワークマニピュレーション2023/3/1
多指ロボットハンドと物体間の接触を表現に用いることで予測次元を削減し、単一の点群から混雑環境中の未知物体に対する多指把持姿勢とハンド構成を予測するエンドツーエンドネットワークを提案した。
