Zilong Huang
収録論文 6本 ・ フィジカルAI/ロボット学習
VLAマニピュレーション画像・動画編集画像生成空間知能評価
※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
- Meituan-Robotics-0: デスクトップ操作のための視覚言語行動基盤モデルVLA2026/11/5
視覚言語データと多様なロボット軌道を組み合わせ、離散行動トークン事前学習・フローマッチング中間学習・実環境後学習の3段階で訓練したデスクトップ操作向けVLA基盤モデル。Rollbackによる効率的な人間修正学習と非同期行動チャンク統合、イベント駆動エージェントを導入し、実ロボットタスクで高い成功率を達成。
- ClothDojo: 両腕ロボットによる衣類の平坦化・折り畳みのための学習データ生成とベンチマークマニピュレーション2026/10/31
衣類の平坦化・折り畳みを両腕ロボットで行うため、シミュレーション上で適応的な操作軌跡を大量生成し、閉ループで方策を評価するプラットフォームClothDojoを提案。生成データで学習したRGB方策が人間のデモより優れることを示した。
- SimPT: 介入ベースVLAポストトレーニングのための自動シミュレーションフレームワークVLA2026/10/21
シミュレータ上でVLAポリシーの介入型ポストトレーニングを自動化する枠組みを提案し、進捗グラフによる効率的な回復軌道生成とRECAP改良手法で成功率を向上させた。
- QK-Edit: MM-DiTにおける画像・動画編集のための注意機構注入の再検討画像・動画編集2026/10/13
マルチモーダル拡散トランスフォーマー(MM-DiT)の注意機構を訓練なしで操作し、テキスト指示による画像・動画編集を高精度に行う手法を提案。
- GenClaw: コード駆動型エージェントによる画像生成画像生成2026/5/28
LLMエージェントがコード(SVG等)で下書きを描き、画像生成モデルで仕上げる、人間の画家のような段階的・制御可能な画像生成手法を提案した論文。
- ArchSIBench: 視覚言語モデルの建築空間知能のベンチマーク評価空間知能評価2026/5/20
建築空間の知能を評価する新しいベンチマークを提案し、視覚言語モデルの空間認知能力を人間と比較して分析した。
