論文
フィジカルAI関連の最新論文を、日本語のひとことで。原題は英語です。
最新論文: 2026/11/12 ／ arXivを3時間ごとに自動収集
📖 UMIデバイス・カタログ(日本語版)UMI式データ収集デバイスと主要データセットを日本語で俯瞰 →- 論文VLAロボティクス
VLAは呼び出すエージェントから何を学べるか：具現化ナビゲーションのためのタスクレベル経験蒸留
LLMプランナー付きナビゲーションエージェントの成功経験をVLAに蒸留し、テスト時はVLA単体でナビゲーションできるようにするH2E手法を提案。REVERIE-CEで成功率を35.0%から44.9%に向上させた。
原題: What Can a VLA Learn from the Agent That Calls It? Task-Level Experience Distillation for Embodied Navigation ／ Jinze Tao, Yuxiao Han, Kangkang Dong 他
日本語で読む → - 論文VLAロボティクス
品質認識ビュー選択によるLIVOとオフロードリスクマッピング
オフロード環境でのマルチカメラLIVOにおいて、観測の健全性と幾何学的相補性に基づいて最大1つのビューを選択して測位補正を行い、全ビューの意味情報を統合してリスクマップを生成する手法を提案。劣化シーケンスでFAST-LIO2比43.3%の誤差低減を達成。
原題: QVS-LIVO RiskMap: Health- and Information-Aware View Selection for Multi-Camera LIVO and Off-Road Risk Mapping ／ Zihan Pan, Jinghan Wang, Hang Li 他
日本語で読む → - 論文VLAロボティクス
Reins: フロンティア基盤モデルによる実機双腕ロボットの長期的タスクのゼロショット実行
GPT系などのフロンティアモデルに3D知覚ツールと接触・把持を報告する原子行動を組み合わせ、条件付き行動連鎖と常時監視するナレータで実機双腕ロボットの長期的接触操作をゼロショットで遂行するハーネスReinsを提案。実機5タスクで88%成功。
原題: Reins: Frontier Multimodal Models Driving Real Robot Arms on Long-Horizon Tasks, Zero-Shot ／ Pengfei Ye, Zhiyang Dou, Yuxiang Ma 他
日本語で読む → - 論文VLAロボティクス
STVLA：空間認識と時間記憶を統合した視覚言語行動モデル
事前学習済みの視覚幾何モデルの特徴を時間記憶に組み込み、過去のシーン構造を現在の行動決定の文脈として参照できるVLAフレームワークを提案。複数ベンチマークで最高成功率を達成し、実機タスクでも大幅な改善を示した。
原題: STVLA: Spatial-aware and Temporal-memory forVision-Language-Action Models ／ Zhuo Han, Yeqiang Wang, Xinran Wang 他
日本語で読む → - 論文VLAロボティクス
UAV-Flow++：言語誘導ドローン飛行のベンチマークと学習のための統合スイート
短距離の物体相対飛行操作に焦点を当て、言語指示から連続飛行行動を生成するタスク「Flow」を定式化し、実世界3万件超のデータセットとシミュレータ、模倣学習とTGRPO強化学習を組み合わせたFlowVLAを提案した。
原題: UAV-Flow++: A Unified Suite for Benchmarking and Learning Language-Guided UAV Flight ／ Donglin Yang, Xiangyu Wang, Yantong Zhong 他
日本語で読む → - 論文VLAロボティクス
見ればわかる：視覚テレオペ履歴から階層的オペレータ意図を解読する
テレオペレーションの短い視覚履歴から、進行中の原子行動とその上位ミッションを同時に推定する階層的意図予測を定式化し、データセットVIAMOとファインチューニング済みVLMモデルVIMを提案。予測ミッションでVLAポリシーが作業を引き継ぎ、人手テレオペ時間を大幅削減した。
原題: I See What You Want: Decoding Hierarchical Operator Intent from Visual Teleoperation History ／ Xiangyi Jia, Kaixian Qu, Shengzhi Wang 他
日本語で読む → - 論文VLAロボティクス
AgriSense：仮想温室における視覚言語による意思決定支援とロボット介入
Isaac Sim上の仮想温室で四足移動マニピュレータと視覚言語モデルを統合し、環境予測・ゾーン判断・介入を行う枠組みを構築・評価した論文。
原題: AgriSense: Vision-Language Decision Support and Robotic Intervention in a Virtual Greenhouse Copy title ／ Lyes Saad Saoud, Oualid Doukhi, Reza Ghorbani 他
日本語で読む → - 論文VLAロボティクス
意味的に整合した潜在行動による身体性基盤モデルの二軸スケーリング
人間とロボットの動画クリップの言語記述から意味的類似度を推定し、対応付けなしで潜在行動空間を整合させるSALAを提案。人間動画とロボット動画の両方で基盤モデルを学習でき、二軸のスケーリングを可能にする。
原題: SALA: Semantically Aligned Latent Actions Enable Dual-Axis Scaling of Embodied Foundation Models ／ Jiachun Jin, Zetong Zhou, Haonan Wang 他
日本語で読む → - 論文VLAロボティクス
ProtoVis-Nav: 視覚空間整合型UAVナビゲーションのためのプロトタイプ視覚想像
UAVの視覚言語ナビゲーションにおいて、次の移動先の局所視覚表現をプロトタイプの線形結合で想像してから経路点を生成することで、言語指示と3D動作の整合性を高める手法を提案した。
原題: ProtoVis-Nav: Prototypical Visual Imagination for Visual-Spatial Aligned UAV Navigation ／ Guangyuan Sui, Yunzhong Hou, Chi Harold Liu
日本語で読む → - 論文VLAロボティクス
データ効率の良い産業マニピュレーションのためのビデオ・アクションモデル
大規模動画データで事前学習した動画アクションモデルFLUX-mimicを提案し、産業用ロボットの少ない実演データでも高精度な操作を実現した。
原題: Video-Action Models for Data-Efficient Industrial Manipulation ／ Eugenio Chisari, Stefanos Charalambous, Oliver Sanchez 他
日本語で読む → - 論文VLAロボティクス
Bind-WAM: バインディング不確実性で未来想像を選択する世界行動モデル
言語と物体の対応の不確実性を推定し、必要なときだけ未来の視覚状態を想像するロボット政策を提案した論文。
原題: Bind-WAM: Binding-Uncertainty-Guided Selective Future Imagination in World Action Models ／ Chenhao Qiu, Shuyi Chen, Songen Gu 他
日本語で読む → - 論文VLAロボティクス
失敗から学ぶ：物理的失敗の理解と修正のためのフィードバック学習
実行中の失敗を原因特定・能力制約下での適応・経験に基づく修正として捉え、失敗回復データとJudge-Cause-Sub-Fine監督で身体的AIの自己修正能力を訓練する手法を提案。
原題: Recover, Don't Just Continue: Learning from Feedback for Physical Failure Understanding and Correction ／ Miao Pan, Kaixiang Yao, Xiaohe Zhou 他
日本語で読む → - 論文VLAロボティクス
VLAは何によって反応的になるのか：動的マニピュレーションのための実行戦略の研究
事前学習済みVLAの反応性を左右する要因を、予測・実行ホライズンや同期/非同期推論などの実行パイプラインの設計を通じてシミュレーションと実機で検証した研究。
原題: What Makes a VLA Reactive? A Study of Execution Strategies for Dynamic Manipulation ／ Zhuoyue Li, Zhendong Han, Pankhuri Vanjani 他
日本語で読む → - 論文VLAロボティクス
混雑環境マニピュレーションのためのモジュール式障害物・空間認識フレームワークMOSAIC
事前学習済みVLAポリシーに、対象物・目的地・障害物のマスク予測と深度による幾何トークン注入、障害物注目の注意監督を組み合わせ、混雑シーンでの衝突を抑えるモジュール式フレームワークを提案した論文。
原題: MOSAIC: Modular Obstacle and Spatial-Aware Framework for Manipulation In Cluttered Scenes ／ Richard Shi, Mohammad Mahdavian, Mehrdad Momeni Zadeh 他
日本語で読む → - 論文VLAロボティクス
ロボット実行制約下でVLAモデルを効率的に配信するシステム
多数のロボットにVLAモデルを配信する際の推論コストを削減するため、計算の並列化と干渉管理を両立させたサービングシステムXInferを提案し、実運用ワークロードで有効ロボット容量を1.26〜3.75倍に向上させた。
原題: Scaling VLA Serving Under Robotic Execution Constraints ／ Yue Zhang, Zicong Ye, Lufang Chen 他
日本語で読む → - 論文VLAロボティクス
ActionCodec2: ストリーミング動作トークナイザ
軌道再構成誤差を許容範囲内に保ちつつ動作を逐次的に出力する非ニューラルなストリーミング動作トークナイザを提案し、VLAモデルの性能と閉ループ制御を改善した。
原題: ActionCodec2: A Streaming Action Tokenizer ／ Zibin Dong, Yicheng Liu, Shiduo Zhang 他
日本語で読む → - 論文VLAロボティクス
低コスト移動型両腕マニピュレーションによる長期的トイレ清掃
低コストで再現可能な移動型両腕ロボットプラットフォームを構築し、トイレ清掃という長期的タスクで複数のVLAモデルを実環境デモ250件で評価した。π0が最も高い成功率を示し、限定的な人間介入で90%に達した。
原題: Low-Cost Mobile Bimanual Manipulation for Long-Horizon Toilet Cleaning ／ Sven Schreiber, Bernard Burdiek, Lasse Huber-Saffer 他
日本語で読む → - 論文VLAロボティクス
把持仮説を幾何事前分布として用いる軽量な空間-言語-行動モデル
6自由度把持検出の多様な把持仮説を幾何事前分布として連続行動方策に統合し、空間・言語基盤モデルと双方向クロスアテンションで結ぶ軽量な言語条件付きマニピュレーション手法を提案。LIBEROで平均成功率99.30%を達成。
原題: GraSLA: A Lightweight Spatial-Language-Action Model with Grasp Hypotheses as Geometric Priors ／ Jibao Yuan, Zixiang Zhao, Wensong Xu 他
日本語で読む → - 論文VLA画像認識
サブアクション認識のためのテキスト誘導による左右手役割アライメント
一人称視点動画で左右の手の役割と操作対象を認識するサブアクション検出タスクを提案し、Video-LLMを拡張するBiScopeNetと大規模データセットBiScopeCap-100Kを構築した。
原題: Sub-actions in Action: Text-Guided Hand-Role Alignment for Sub-Action Recognition ／ Sadegh Rahmaniboldaji, Filip Rybansky, Quoc Vuong 他
日本語で読む → - 論文VLAロボティクス
凍結VLAモデルのための低遅延アクション検証の学習
凍結したVLAモデルの自己展開ログから軽量なアクション検証器を学習し、生成候補の中から成功率の高い行動を低遅延で選択する枠組みを提案した。
原題: Learning Low-Latency Action Verification for Frozen Vision-Language-Action Models ／ Wen-Han Hsieh, Ken Jiankun Zheng, Chia-Chien Chen 他
日本語で読む → - 論文VLAロボティクス
ロボットの記憶はただの時計なのか？記憶拡張VLA方策における時間的ショートカット
記憶拡張型VLA方策が時間ベースで記憶を埋めることで、無意味な待機を進捗と誤認して早期停止する「幻の進捗」問題を明らかにし、イベントベースの記憶インデックスが有効な修正法であることを示した。
原題: Is Your Robot's Memory Just a Clock? Temporal Shortcuts in Memory-Augmented VLA Policies ／ Chubin Zhang, Bo An
日本語で読む → - 論文VLA画像認識
動画フレームからロボットのメタフレームへ：ワールドアクションモデルのための統合潜在インターフェース
ロボット信号を周波数領域で1つのメタフレームにまとめて動画拡散モデルに注入する手法を提案し、事前学習済みモデルの事前分布に整合させることでRoboCasaで68.9%の成功率を達成した。
原題: From Video Frames to Robot Meta-Frames: A Unified Latent Interface for World Action Models ／ Guoqiang Liang, Yiqi Lin, Yanzhe Chen 他
日本語で読む → - 論文VLAロボティクス
自我視点ガイダンス：行動ラベルなしの一人称視点動画でロボット方策学習を強化
人間の一人称視点動画を行動教師なしで活用し、将来の視覚状態予測と行動予測を組み合わせたMoTアーキテクチャSPARを提案。分布外ロボットタスクの性能向上と動画データ量増加による効果を示した。
原題: Ego Guidance: Enhancing Robot Policy Learning with Action-Free Human Egocentric Videos ／ Lin Long, Tianren Ma, Zhong Chu 他
日本語で読む → - 論文VLAロボティクス
100の家事タスクを単一ポリシーで：2026 BEHAVIORチャレンジへの挑戦
OmniGibson上の100の長期家事タスクを単一のVLAモデルで解く手法を提案し、2026 BEHAVIORチャレンジで9位に入賞した。
原題: One Policy for 100 Household Tasks: Our Solution for the 2026 BEHAVIOR Challenge ／ Ilia Larchenko, Gleb Zarin, Atindra Nair 他
日本語で読む → - 論文VLAロボティクス
Elastic-WAM：効率的なロボット制御のための適応的時空間想像
World-Action Modelの推論コストを削減するため、タスクや状態に応じて未来の映像精緻化の深さと領域を適応的に配分する手法を提案し、制御性能を維持しつつ遅延を低減した。
原題: Elastic-WAM: Adaptive Spatiotemporal Imagination for Efficient Robot Control ／ Haitian Li, Tianfu Li, Xuxi Zhao 他
日本語で読む → - 論文VLAロボティクス
一人称視点の人間動画からロボットマニピュレーションへ：身体性知能時代のEgo2Robot学習
一人称視点の人間動画（EHV）をロボットのマニピュレーション政策学習に活用するための4つの学習パラダイムを整理し、ベンチマークや課題を展望したサーベイ論文。
原題: From Egocentric Human Video to Robot Manipulation in the Era of Embodied Intelligence ／ Yi Wang, Jingqiu Wu, Lei Yao 他
日本語で読む → - 論文VLAロボティクス
WAMで挑むBEHAVIOR-1K：2026年BEHAVIORチャレンジ準優勝解法
家庭内100タスクのモバイルマニピュレーションに挑む世界行動モデルCosmos 3を改良し、視覚履歴やタスク進捗条件付け、スキル別LoRAとルーティングで1FPS以上を維持しつつ準優勝した。
原題: WAM is capable in BEHAVIOR-1K: the 2nd-place solution to the 2026 BEHAVIOR Challenge ／ Yelin He, Jiaquan Ye, Xinming Wei 他
日本語で読む → - 論文VLAロボティクス
ゲーム操作データと予測事前学習による具現化AIの強化
ゲームのキーボード・マウス操作と映像を大規模に事前学習させ、ロボットポリシーの初期化に活用。LIBEROベンチマークで成功率が85.9%から90.6%へ向上した。
原題: Game-Enhanced Embodied Learning with Event and Foresight Pretraining ／ Lianlei Shan, Han Jin, Yaunchao Ma 他
日本語で読む → - 論文VLAロボティクス
DexSeed: 人間の手と物体のインタラクションをロボットのデモンストレーションへ拡張する器用なポリシー学習
人間の手と物体のインタラクションを物理シミュレーション上で拡張し、腕の軌道追従とRLによる指制御で多様なロボットデモを低コスト生成してVLAを微調整するフレームワーク。
原題: DexSeed: Expanding Human Hand-Object Interactions into Robot Demonstrations for Dexterous Policy Learning ／ Huaijin Pi, Zehong Shen, Yong Wang 他
日本語で読む → - 論文VLAロボティクス
ヒューマノイド向け分離非同期システムDASH：VLAモデルの遅延非依存スケーリング
VLAモデルを遅い視覚言語バックボーンと速いアクションヘッドに分離し、非同期並列実行によりバックボーン規模に依存しない制御レートを実現したヒューマノイド操作用システム。
原題: Decoupled Asynchronous System for Humanoids (DASH): Latency-Agnostic Scaling of Vision-Language-Action Models for Humanoid Manipulation ／ Bingzhang Wang, Nathan Zhao, Jialeng Ni 他
日本語で読む →
PR・アフィリエイト広告
MINISFORUM（ミニPC）
