Zhongxiang Zhou
Zhejiang Humanoid Robot Innovation Center Co., Ltd.
収録論文 14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
- PACE: 進捗整合コンテキストによる段階一貫性のある長期的ロボットマニピュレーションマニピュレーション2026/10/6
実演を段階構造を持つトークン列に圧縮し、実行中の行動・観測履歴を記憶して進捗に応じて参照することで、段階の混同を防ぎ長期的な操作タスクの成功率を高める手法を提案。
- 具現化ナビゲーター:指差し・思考・記憶・整合による効率的ナビゲーションナビゲーション2026/8/18
大規模視覚言語モデルを具現化ナビゲーションに活用する際の課題を解決するため、2Dピクセル選択と3D投影による行動形式、選択的推論と記憶圧縮、GRPOによる二段階整合を備えた統一フレームワークTAMP-Navを提案した。
- 基礎特徴量の幾何誘導モデリングによる一般化可能な物体形状変形学習3D再構成2026/5/28
単眼画像から3D物体形状を復元するため、カテゴリレベルのテンプレートを変形させる枠組みを提案し、基礎特徴量にテンプレートのトポロジーを組み込む幾何誘導機構と視点適応型特徴集約により、未知カテゴリや多視点への頑健な一般化を実現した。
- 身体構成に同変な視覚-言語-行動ポリシーに向けてVLA2025/9/1
ロボットの身体構成の変化に対して同変性を持つように視覚-言語-行動ポリシーを設計し、新しい機体構成への汎化と効率的なファインチューニングを実現した研究。
- ExploreVLM:視覚言語モデルによる閉ループロボット探索タスクプランニングVLA2025/8/1
視覚言語モデルを活用し、自己反省型の二段階プランナーと物体中心の空間関係グラフ、実行検証による閉ループ機構で、ロボットの対話的探索とリアルタイム再計画を実現したフレームワーク。
- TOP: ヒューマノイドロボットの安定かつ高精度な立位マニピュレーションのための時間最適化ポリシーマニピュレーション2025/8/1
上半身の動作時間を調整する時間最適化ポリシーを導入し、下半身の強化学習制御と組み合わせることで、ヒューマノイドの立位マニピュレーションの安定性と精度を両立させた。
- 把持タスクにおけるグリッパ状態の曖昧性解消:擬似触覚フィードバックによる純粋シミュレーション学習の実現マニピュレーション2025/3/1
把持タスクで問題となるグリッパ状態の曖昧性を、力制御グリッパを触覚センサとして用いる擬似触覚フィードバックで解消し、追加データ収集なしにシミュレーションのみでロバストな模倣学習を可能にした。
- CNSv2: 確率的対応符号化ニューラル画像サーボビジュアルサーボ2025/3/1
キーポイント検出が困難な環境でも、確率的特徴マッチングを組み込んだニューラル制御により高精度かつリアルタイムなビジュアルサーボを実現した。
- 把持・認識・配置:方策構造の事前知識を活用した効率的な未知物体再配置マニピュレーション2024/2/1
知覚ノイズに頑健な未知物体再配置のため、把持と配置の分離構造を事前知識として組み込んだ二重ループシステムGSPを提案し、CLIPを活用して高い完了率と少ないステップを実現した。
- 回転関節を持つ物体の適応的マニピュレーション学習:多様なキャビネット扉開けへの応用マニピュレーション2023/4/1
深層強化学習を用いて、非構造環境で回転関節を持つ物体(キャビネットの扉)を適応的に操作するフレームワークを提案し、シミュレーションから実世界への転移を実現した。
- 任意の目標姿勢に対応するハイパーネットワークベースのエンドツーエンド視覚サーボ視覚サーボ2023/4/1
ハイパーネットワークを用いて任意の目標姿勢への6自由度視覚サーボを実現する微分可能なニューラルコントローラを提案し、3段階の学習手順で実世界物体への適用を可能にした。
- 視覚・言語・行動の統合モデリングによる混雑環境での指示対象把持マニピュレーション2023/2/1
言語指示に基づき混雑環境で対象物を把持するため、視覚・言語・行動を物体中心表現で統合的にモデル化し、柔軟な指示と未見物体への汎化を実現した。
- 分類不要な物体提案とインスタンスレベル対照学習によるオープンセット物体検出オープンセット検出2022/11/1
未知物体と背景を分離するCF-RPNと、既知カテゴリの潜在空間補集合で未知物体を表現するPLNを組み合わせたOpenset RCNNを提案し、GraspNet-1billionを再編した新ベンチマークで有効性を示した。
- 視覚で隙間を埋める:未知形状へのサブミリメートルペグ挿入マニピュレーション2022/4/1
ペグと穴の隙間を視覚的に捉えて位置・姿勢を推定し、強化学習による閉ループ制御で未知形状のペグ挿入を実現。シミュレーションで学習し、セグメンテーションで実世界に適応する。
