受動輪のスケートで推進・旋回する人型ロボットの強化学習制御
- 市販のインラインスケートを履いた人型ロボットに、受動輪を使う推進と旋回を強化学習で獲得させた。
- 著者らは標準的な歩行動作に比べてCoTが最大50％低下したと報告するが、比較条件の詳細は確認できない。
- 学習済み方策をBooster T1へ追加学習なしで移し、バランス維持、外力への対応、速度を保った旋回を実機で示したと報告する。
RESEARCH BRIEFS
論文をさくっと読む
掲載済みの論文解説から、研究の要点を短く紹介します。
SpikeLogBERTはログの定型化に必要な計算をどう減らすか――HDFSでの精度と理論エネルギーを検証
- ログ行のイベントテンプレート分類に、スパイキングTransformerとBERTからの知識蒸留を組み合わせる。
- 著者らのHDFS評価ではPAが99.997%。45nm CMOSを仮定した理論エネルギーは0.82mJと報告された。
- 表ではLogPPTの推定エネルギーが約62.6倍。入力中の要旨にある「62.6%」とは表記が食い違い、異なるログと実機での検証も残る。
顔動画から脈波を推定するRhythmJEPA：拍動状態に沿ってフレームを読む
- 顔動画から脈波を推定し、時刻順と推定した拍動状態順の両方で特徴を処理する。
- 著者らの同一データセット内評価では、PURE、UBFC-rPPG、MMPDの心拍数MAEはそれぞれ0.12、0.21、3.92だった。
- 導入時は現場の顔動画と同期した正解脈波を集め、照明や動きごとに比較手法との誤差を測る必要がある。
人がいる作業空間でのロボット操作を学ぶ実演データセットHABIT
- 人が同席する60課題について、10,563実演、164.19時間のロボット操作を収録した。
- 共同作業・並行作業・人による指示の３種類を設け、人とロボット双方の小作業と実行順を記録した。
- 著者らの６課題の評価では、比較可能な４課題で人同席データによる学習の利点が見られ、並行作業で成功率の差が最大だった。
画像のどの区画を残すか――REDIが検証したクラス別統計と注意情報
- REDIは、正解クラスに基づく訓練画像群の統計と、対象画像の注意情報を組み合わせて画像区画を順位付けする。
- 著者らのImageNet-1K評価では、系列長を201から107トークンに減らし、流入注意量を使うREDIのTop-1精度は84.706％だった。
- 点数の事前計算に評価画像の正解クラスと削減前のモデル実行を使うため、報告値は教師ありの参照条件で読む必要がある。
教師の予測分布と区間境界を使い、画像分類の保証付き正解率を高めるAD-CERT
- AD-CERTは、固定した教師の予測分布を攻撃画像を見る生徒へ移す学習と、IBPによる保証付き学習を組み合わせる。
- 著者らのMNIST実験では、変化幅0.1の保証付き正解率はAD-CERTが98.53%、TAPS/STAPSが98.52%だった。
- 扱う保証は指定したℓ∞の画素変化範囲に限られ、実際の撮影条件での効果は別途検証が必要である。
説明文だけで蒸留し、一回の処理で音を作るSwiftAudio
- SwiftAudioは、事前学習済みの音声生成モデルを教師とし、説明文だけで一段階の生成モデルを蒸留する。
- 著者らのAudioCaps評価ではFD 22.73、FAD 2.25で、比較した一段階の2手法より両指標が低かった。
- 音声との対データが不要なのは蒸留段階である。教師は対データで事前学習されており、実用途での音質と待ち時間は別途検証が必要である。
未知の抵抗を飛行中に推定する四回転翼機の経路追従制御
- モデルに含まれない空気抵抗などの影響をRBFネットワークで飛行中に推定し、経路追従の指令を補正する。
- 著者らの数値シミュレーションでは、学習率ゼロの基準法よりx・y方向の定常RMSEが小さかった。
- Gazeboでは位置追従の改善が報告されたが、今回の設定では姿勢全体の追従を評価できない。
音素の発音差から話者・感情まで編集する音声手法UniSAE
- DPPGという記号列で、音素の種類、同じ音素内の発音差、長さを分けて編集する。
- 単語編集には記号列を予測するモデルを使い、音声生成時に話者と感情を別々に指定する。
- ESDEditの単語編集では、文字誤り率とUTMOSがVoiceCraft、SSR-Speechより低い成績だった。
OpenStreetMapから高速道路の車線・ランプを抽出し、地図と航空写真で確かめる
- 路線と区間を指定し、OpenStreetMapから本線、車線変化、ランプ位置を抽出するツールである。
- 著者らは二つの試作区間で、ランプを手入力する場合の約三分の一の作業時間を報告した。
- オレンジ郡359.6マイルへの適用では平均約41秒／マイルだったが、人手の確認と修正は残る。
元の学習画像なしで物体検出器を環境に合わせるRT-SFOD
- RT-SFODは、元の学習画像を使わず、ラベルなしの対象画像で検出器を適応させる。
- 二系統の予測枠の選別と、特徴の多様性を保つ学習を組み合わせる。
- 著者らは霧の道路画像への適応で、大型モデルのmAP 53.8、67 FPSを報告した。
地図を見せると「通じた」と早合点する視覚言語モデル
- 地図を与えると、主要モデルの総合指標は改善したが、不一致を見抜く再現率は下がった。
- 地図内容を文章で与えても同方向の偏りが現れ、画像入力だけが原因ではないと著者らは分析した。
- 偏りはモデルによって異なり、すべての視覚言語モデルに共通する結果ではない。