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: 2026/10/1 / 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 →- 論文世界モデルAI
世界モデル訓練法:ファインチューニング対RAGの比較
テキストベース環境における言語モデル世界モデル構築で、ファインチューニングとRAGを5環境で比較し、ファインチューニングが優位だがRAGはデータ効率が良いことを示した。
原題: How To Train Your World Model: Fine-tuning vs RAG for LM-based World Modeling / Dhananjay Ashok, Shantanu Agarwal, Vivek Datla 他
日本語で読む → - 論文強化学習機械学習
FERPO: 前方エントロピー正則化方策最適化
クリティックの行動微分を使わず、前方KL目的と自己正規化重要度サンプリングで方策改善を行う最大エントロピー強化学習アルゴリズムを提案し、連続制御タスクで性能とサンプル効率を向上させた。
原題: FERPO: Forward Entropy-Regularized Policy Optimization / Sebastian Sanokowski, Alireza Sarmadi, Majid Khadiv
日本語で読む → - 論文動画生成画像認識
合成状態遷移による動画インタラクション生成のブートストラップ
画像編集モデルで相互作用の開始・終了状態画像を作り、State-Guided Samplingで滑らかな動画を生成する合成データセットを構築し、ファインチューニングで物理的に妥当なインタラクション生成を改善した。
原題: Bootstrapping Video Interaction Generation with Synthetic State Transitions / Jiho Jang, Jinyoung Kim, Nojun Kwak 他
日本語で読む → - 論文画像ウォーターマーク画像認識
生成的画像ウォーターマークの弱点:潜在周波数マスキング攻撃
ウォーターマーク画像の潜在表現のフーリエ係数を選択的に置換することで、透かしを消去または弱体化させる攻撃手法を提案し、その有効性と理論的歪み限界を示した。
原題: Exploring Weaknesses of Generative Image Watermarks against Latent Frequency Masking / Kirill Aistov, Khaled Abud, Irina Serzhenko 他
日本語で読む → - 論文マニピュレーションロボティクス
単一画像からのクエリ条件付き関節構造推定
単一のRGB画像とクエリ点から関節物体の運動学パラメータを推定するモデルQueryArtを提案し、実機マニピュレータで70.2%の成功率を達成した。
原題: Query-Conditioned Articulation Estimation from a Single Image / Abdelrhman Werby, Fabio Scaparro, Kai O. Arra
日本語で読む → - 論文医療ロボティクスロボティクス
脊椎のロボット椎弓根ドリリングにおける電気伝導度を用いた摘出組織での破綻検出
脊椎手術のロボット支援椎弓根ドリリングにおいて、工具先端の生体インピーダンスをリアルタイム解析し、脊柱管への破綻を事前に検出・停止する手法を開発し、摘出組織実験で全51例の破綻を防止した。
原題: Ex vivo breach detection using electrical conductivity during robotic pedicle drilling in the spine / Jorge Andrés Pérez Velásquez, François Teyssere, Thibault Chandanson 他
日本語で読む → - 論文マルチエージェント強化学習/全身制御ロボティクス
MASkillBlender: スキルブレンディングによるマルチヒューマノイド全身協調の分散制御
事前学習済みの単一ヒューマノイドスキルを再利用し、タスクレベルの報酬だけで複数ヒューマノイドの分散的な全身協調動作を学習するフレームワークを提案。
原題: MASkillBlender: Decentralized Whole-Body Coordination for Multi-Humanoid Loco-Manipulation via Skill Blending / Yifan Hu, Luhang Hong, Mingkang Long 他
日本語で読む → - 論文VLA画像認識
WAMJET: ワールドアクションモデル高速化のためのエージェントハーネス
コーディングエージェントに最適化ガイドと計測・検証ツールを与え、ロボット操作向けワールドアクションモデルの推論を最大9.95倍高速化するフレームワークを提案。
原題: WAMJET: A Harness for World Action Model Acceleration / Le Chen, Lixin Liu, Jan Schneider 他
日本語で読む → - 論文LLMロバスト性cs.CR
大規模言語モデルの入力系列変動に対するロバスト性の評価と改善
LLMの敵対的入力変動に対するロバスト性を評価・改善する手法を提案し、プロンプトインジェクションやトロイの木馬、LLM-as-a-Judgeへの攻撃、MCPエージェントの防御までを扱う。
原題: Evaluating and Improving the Robustness of Large Language Models to Input Sequence Variations / Narek Maloyan
日本語で読む → - 論文マニピュレーションロボティクス
ActiveWAM: 世界行動モデルのための証拠認識型能動視覚
カメラとエンドエフェクタを同時に制御し、タスクに重要な証拠を保持しつつ新たな視点を取得する能動視覚マニピュレーションを、世界モデルと行動モデルを統合した枠組みで学習する手法を提案。
原題: ActiveWAM: Evidence-Aware Active Vision for World-Action Models / Renjun Wu, Luzhou Ge, Xuesong Li
日本語で読む → - 論文群制御ロボティクス
人間適応型リアルタイムタスク割り当てによる複数人・複数ロボットの監督制御
複数の人間オペレータが複数のロボットを監督する状況で、作業負荷や疲労といった認知状態をリアルタイムに考慮し、貪欲法でタスクを動的に割り当てる手法を提案。ユーザ研究で疲労低減と性能向上を確認。
原題: Real-Time Human-Adaptive Task Allocation for Multi-Human Multi-Robot Supervision / Seabin Lee, Sujeong Park, Nayoung Kim 他
日本語で読む → - 論文シーン表現画像認識
SCION: インスタンス化ニューラルプリミティブによるシーン構成
再利用可能なプリミティブとその配置インスタンスでシーンを階層的に表現し、少ないパラメータで高品質な3D再構成と編集を可能にする手法。
原題: SCION: Scene Composition with Instanced Neural Primitives / William Koch, Amogh Joshi, Cyrus Vachha 他
日本語で読む → - 論文VLA画像認識
ATI-VLA: 行動中心の予測型視覚-言語-行動モデル
予測観測と行動の表現を共有コードブックで揃え、予測潜在を行動生成に適応的に注入することで、操作タスクの性能と収束速度を向上させたVLAモデル。
原題: ATI-VLA: Action-Centric Predictive Vision-Language-Action Models via Actionable Alignment Then Adaptive Injection / Yijie Zhu, Rui Shao, Jie He 他
日本語で読む → - 論文VLAロボティクス
CriticHack: ロボット方策最適化下での視覚報酬の評価
学習した視覚報酬モデルで方策を最適化すると、報酬とタスク成功率が上がっても誤対象への失敗が増幅されることを示し、その原因をKL正則化下の傾きモデルで説明した論文。
原題: CriticHack: Evaluating Visual Rewards Under Robot Policy Optimization / Jiaxuan Luo, Xingguo Xu, Shanshan Wang 他
日本語で読む → - 論文視覚オドメトリロボティクス
キータイムガウス過程回帰によるリアルタイムイベントカメラステレオ視覚オドメトリ
非同期イベントをキータイムのみで推定状態を削減しつつ、WNOA事前分布で補間してリアルタイムに処理する連続時間ステレオ視覚オドメトリを提案し、MVSECとDSECで高精度・高速な推定を実現した。
原題: Real-time Event-camera Stereo Visual Odometry via Keytime Gaussian Process Regression / Nikan Nobari, Jonathan D. Gammell
日本語で読む → - 論文ディープフェイク検出画像認識
汎化可能なディープフェイク検出のためのクロス再構成の再検討
異なる生成器間のアーティファクトの多様性を保ちながら意味的に整合したクロス再構成を行い、周波数マスク再構成で操作痕跡を強調するディープフェイク検出手法を提案。
原題: Revisiting Cross-Reconstruction for Generalizable Deepfake Detection / Bingjian Yang, Shilei Zhao, Zheng Wang
日本語で読む → - 論文VLAロボティクス
NarrativeFlow: ロボット速度場を用いたフローベース視覚-言語-行動モデル
言語条件付き操作において、ロボットの速度場を連続的なフローとしてモデル化し、フローマッチングで生成する手法を提案。複数ロボットのデータを活用でき、実世界タスクで成功率が向上。
原題: NarrativeFlow: Flow-Based Vision-Language-Action Model Using Robot Velocity Fields / Shota Kobayashi, Koki Seno, Daichi Yashima 他
日本語で読む → - 論文追跡評価/歩行者追跡ロボティクス
リーダーボードスコアを超えて:歩行者中心環境における解釈可能な追跡評価のための実運用向けプロトコル
歩行者環境でのロボット追跡を、検出器の影響を排除して追跡器単体の初期化・検出欠落時の継続・ID復元・近接対応・計算負荷を評価する実運用向けプロトコルを提案し、JRDBで6種の追跡器を比較した。
原題: Beyond Leaderboard Scores: A Deployment-Focused Protocol for Interpretable Tracking Evaluation in Pedestrian-Centric Environments / Dominik Wojcikiewicz, Diego Paez-Granados
日本語で読む → - 論文VLAロボティクス
成功だけでは不十分?卓上マニピュレーションにおけるVLAの挙動に対する入力摂動の影響調査
VLAモデルのロバスト性をタスク成功率だけでなく、成功軌道の動きの滑らかさや効率、グリッパ挙動といった振る舞いの観点から評価するフレームワークを提案し、LIBERO系ベンチマークで摂動が成功時の挙動を変化させることを示した。
原題: Is Success All You Need? Investigating the Impact of Input Perturbations on VLA Behaviour in Tabletop Manipulation Tasks / Sophie Higham, Riccardo Andrea Izzo, Matteo Matteucci 他
日本語で読む → - 論文モデルベース強化学習機械学習
CEMにおける世界モデルは提案メカニズムでもある
クロスエントロピー法(CEM)において、世界モデルが行動選択と次回の候補分布の両方に影響することを実験的に分離し、モデルのスコア誤差が提案メカニズムを通じて将来の候補にも影響を与えることを示した。
原題: In CEM, a World Model Is Also a Proposal Mechanism / Oliver Obst, Frieder Stolzenburg
日本語で読む → - 論文VLA画像認識
CtrlWAM: 意図と予見を整合させた制御可能なワールドアクションモデル
摂動させた行動をシミュレータで実行し、その視覚的結果と対応付けて学習することで、行動予測と映像生成の整合性を高めた制御可能なワールドアクションモデルを提案。
原題: CtrlWAM: Controllable World Action Models with Aligned Intent and Foresight / Chensheng Peng, Wenhao Ding, Ran Tian 他
日本語で読む → - 論文画像偽造検出画像認識
GIFTBench:画像偽造位置推定における汎化性能の診断とモデル設計への指針
多様な偽造条件を軸別に評価できる大規模ベンチマークGIFTBenchを構築し、汎化性能の診断と学習リソースとしての有効性を示すとともに、知見を活かした検出・位置推定フレームワークForenScopeを提案した。
原題: GIFTBench: Diagnosing Generalization in Image Forgery Localization and Informing Model Design / Baoke Dou, Ziye Wang, Hao Wang 他
日本語で読む → - 論文VLAAI
コードがシミュレーションを担い、Jevが評価を担う
判断モデルJevは入力記述から評価できるタスクは得意だが、相手の行動や順序予測などシミュレーションが必要なタスクは苦手であり、シミュレーションをコードに任せるべきだと示した。
原題: Code Owns the Simulation, Jev Owns the Evaluation / Yaodong Yang, Hongyao Tang, Yi Ma 他
日本語で読む → - 論文VLAAI
漸進的視覚計画による世界行動モデリング
将来の視覚と行動を同時予測する世界行動モデルにおいて、疎な視覚サブゴール列を段階的に予測することで長期的タスクを効率的に計画・実行する手法ProWAMを提案。
原題: World Action Modeling with Progressive Visual Planning / Fei Zhang, Zhaochong An, Duncan Frost 他
日本語で読む → - 論文VLAロボティクス
フロンティアVLMエージェントはロボット汎用istになれるか?Embodied Agent Arenaによる実証研究
VLMのロボット汎用性を評価するベンチマーク「Embodied Agent Arena」を提案し、7つのVLMを幾何推定・空間推論・アフォーダンス・タスク計画・操作の観点で比較した。精密推定は得意だが、協調的な目標指向行動の完遂に課題が残ることを示した。
原題: Are Frontier VLM Agents Ready to Be Robot Generalists? An Empirical Study with the Embodied Agent Arena / Haojian Huang, Pukun Zhao, Zexi Li 他
日本語で読む → - 論文マルチロボット協調ロボティクス
DuoMind: 意味的通信による分散マルチロボット協調
VLMによる高レベル調整とVLAによる低レベル実行を組み合わせた分散階層型フレームワークで、ロボット間の意味的メッセージ交換により長期的な協調作業を実現した。
原題: DuoMind: Enabling Distributed Multi-Robot Coordination with Semantic Communication / Hanchu Zhou, Dechen Gao, Hang Wang 他
日本語で読む → - 論文VLAロボティクス
OpenRUA: ロボット利用エージェントはゼロショット視覚運動ポリシーである
コーディングエージェントにロボットのネイティブソフトウェアROS 2への端末アクセスのみを与える最小構成のハーネスを提案し、専用設計なしでゼロショットの視覚運動ポリシーとして機能することを示した。
原題: OpenRUA: Robot-Use Agents Are Zero-Shot Visuomotor Policies / Zhaoyang Chu, Earl T. Barr, Claire Le Goues 他
日本語で読む → - 論文触覚ロボティクス
SoTa: 巧みな操作のための柔らかい触覚スキン
人間とロボットの手に共通レイアウトで装着できる低コストな容量性触覚スキンを開発し、触覚情報が視覚のみの政策より接触の多い操作タスクの成功率を向上させることを示した。
原題: SoTa: Soft Tactile Skins for Dexterous Manipulation / Jingyun Yang, Baiyu Shi, Timothy Yu 他
日本語で読む → - 論文確率的予測機械学習
変分ストリーミングフロー:物理時間における確率的予測
物理時間で直接速度場を学習するストリーミングフローを潜在分布の学習により確率化し、計算効率を保ちながら長期予測や分岐ダイナミクス、JEPAベースの世界モデルへの組み込みで精度を向上させた。
原題: Variational Streaming Flow: Probabilistic Forecasting in Physical Time / Hans Hao-Hsun Hsu, Minseon Gwak, Soon Hoe Lim 他
日本語で読む → - 論文マニピュレーションロボティクス
SkeleWAM: 骨格ワールドアクションモデリングによる効率的なロボットマニピュレーション
ロボット関節・物体中心・接触点からなる疎な3D骨格を状態表現として用い、行動生成と将来骨格予測を統合した軽量なワールドアクションモデルを提案。LIBERO-Plusで85.9%の成功率を達成。
原題: SkeleWAM: Skeleton World-Action Modeling for Efficient Robotic Manipulation / Juyi Sheng, Hua Wang, Mengyuan Liu
日本語で読む →
PR・アフィリエイト広告
