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: 2026/9/29 / 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
T²Mem: ロボティクスのためのテスト時メモリ学習
事前学習済み視覚言語行動ポリシーに、テスト時訓練で観測履歴を圧縮した高速重みとして記憶させ、記憶不要なベース方策を大きく上回る成功率を達成した手法。
原題: T$^2$Mem: Learning Test-Time Memory for Robotics / Yize Liu, Huang Huang, Yining Hong 他
日本語で読む → - 論文VLAロボティクス
信頼できるLLMベースのロボット計画のためのリスク認識型意味的グラウンディング
LLMによるロボット計画において、曖昧さ・幻覚・意味的矛盾といったリスクを事前に推定し、指示の実行・確認・拒否を判断する枠組みを提案し、評価用ベンチマークTRUST-NAVを構築した。
原題: Risk-Aware Semantic Grounding for Trustworthy LLM-Based Robot Planning / Łukasz Sobczak, Nur Keleşoğlu, Sławomir Piotr Nowak
日本語で読む → - 論文シーン補完/経路計画ロボティクス
経路計画指向の3Dシーン補完:部分観測からのTUDF占有表現の連成学習
部分的なLiDAR観測から、TUDFによる連続的な距離場とボクセル占有マップを相互に連成させて予測し、経路計画に直接使える3Dシーン補完を実現した研究。
原題: Planning Oriented 3D Scene Completion via Coupled TUDF Occupancy Representation Learning from Partial Observations / Tianyou Yu, Pengfei Zhao, Chao Xu
日本語で読む → - 論文VLAロボティクス
非同期分散アライメントによるリアクティブなリアルタイムフローポリシー
VLAの非同期実行で生じる行動分布のずれを、フローフィールド蒸留と提案・解決機構で補正し、リアルタイム性と反応性を両立させる手法を提案。
原題: Reactive Real-Time Flow Policies via Asynchronous Distribution Alignment / Moritz Zoellner, Reece O'Mahoney, Ioannis Havoutis 他
日本語で読む → - 論文マルチモーダル認識画像認識
GlassFormer: レーダーと深度の融合によるリアルタイムガラスセグメンテーションの学習
ミリ波レーダーとRGB-Dを融合し、視覚や深度が苦手な透明ガラス面をリアルタイムにセグメンテーションする軽量トランスフォーマーネットワークを提案。
原題: GlassFormer: Learning Real-time Glass Segmentation using Radar-Depth Fusion / Suhani Grover, Astik Srivastava, Viswas Dinesh 他
日本語で読む → - 論文VLAロボティクス
RawVLA: ロボットマニピュレーションのための身体性ニューラル画像信号処理プロセッサ
VLAモデルが通常使うRGB画像処理(ISP)を見直し、RAWデータから適応的に画像を生成するニューラルISPを提案。劣化した撮像条件下でもマニピュレーションの頑健性を大幅に向上させた。
原題: RawVLA: Embodied Neural Image Signal Processor For Robotic Manipulation / Shuhong Liu, Heng Zhou, Lingfeng Qian 他
日本語で読む → - 論文動画生成画像認識
LongLive-Plug: 動画生成のための一度きりの蒸留フレームワーク
ベースモデルにLoRAとして再利用可能な能力を学習させ、下流モデルに訓練不要でプラグアンドプレイ展開できる蒸留手法を提案。
原題: LongLive-Plug: Once-for-All Distillation for Video Generation / Shuai Yang, Luozhou Wang, Wei Huang 他
日本語で読む → - 論文マニピュレーションロボティクス
異種マニピュレータ間でのスケール不変な可操作性形状追従
サイズや構造が異なるロボット間で可操作性を転送する際、絶対スケールを無視して形状のみを一致させるスケール不変な手法を提案し、4種のロボットでロボット間・人間からの転送を検証した。
原題: Scale-Invariant Manipulability Shape Tracking Across Heterogeneous Manipulators / Geunwoo Kwon, Dong-gyu Lee, Kai Li 他
日本語で読む → - 論文シーン生成画像認識
シーンリターゲティング:類推的転移による物体配置の学習
異なる間取り間で意味的に一貫した物体配置をクラスタ単位で転移する手法を提案し、3D-FRONTで従来手法を上回る性能と実世界からシミュレーションへの転移などの応用を示した。
原題: Scene Retargeting: Learning Object Placement with Analogical Transfer / Minkwan Kim, Junho Kim, Seungmin Lee 他
日本語で読む → - 論文キャリブレーションロボティクス
DRHeC: RGB勾配を用いた微分可能レンダリングによるハンドアイキャリブレーション
RGB画像とマスクの幾何特徴を活用した微分可能レンダリングにより、マーカー不要で高精度かつ安定なハンドアイキャリブレーションを実現する手法を提案。
原題: DRHeC: Differentiable Rendering for Hand-Eye Calibration with RGB-Based Gradients / Xiaotian Zhang, Yusheng Wang, Naoya Kagawa 他
日本語で読む → - 論文VLA画像認識
EVO-WAM: 映像と行動の検証による世界行動モデルの進化
世界行動モデルが生成した映像と行動の軌跡を自己検証しながら反復学習し、追加の実演データなしで未知タスクへの適応を可能にしたフレームワーク。
原題: EVO-WAM: Evolving World Action Models through Video-Action Verification / Shiyang Zhou, Xionghao Wu, Wenbo Li 他
日本語で読む → - 論文VLAロボティクス
行動履歴メモリと二重エキスパートノイズ除去による長期的視覚言語行動ポリシー
凍結したVLAにMambaベースのメモリと軽量PreAction Expertを追加し、行動履歴を活用して長期的タスクの知覚的曖昧性を解消する手法を提案。
原題: Remember What You Did: Action-History Memory with Dual-Expert Denoising for Long-Horizon Vision-Language-Action Policies / Yaxin Zhao, Dianye Huang, Chenwei Wang 他
日本語で読む → - 論文マニピュレーションロボティクス
接触の多い巧みな操作デモンストレーションのための運動学的非線形時空間軌道ワーピング
手と物体の軌道を入力とし、接触分布を利用して中間ウェイポイントや障害物、時間的ずれ、開始・終了姿勢の変化に対応した高品質な非線形軌道ワープを生成する手法を提案。
原題: Kinematic Nonlinear Spatio-Temporal Trajectory Warping for Contact-Rich Dexterous Manipulation Demonstrations / Hyojae Park, Arjun S. Lakshmipathy, Nancy S. Pollard
日本語で読む → - 論文VLAロボティクス
AeroManip-VLA: 強化学習生成デモによる空中マニピュレーションのためのスケーラブルな視覚-言語-行動学習
空中マニピュレータ向けに、GPU加速シミュレーション上で強化学習と専門家ルールを組み合わせて人手なしでデモを自動生成し、VLAモデルの学習と評価を可能にするベンチマークを提案した。
原題: AeroManip-VLA: Scalable Vision-Language-Action Learning for Aerial Manipulation with RL-Generated Demonstrations / Rui Huang, Yanlin Mu, Lidong Li 他
日本語で読む → - 論文マニピュレーションロボティクス
MVG-WAM: ロボットマニピュレーションのための多視点幾何認識型ワールドアクションモデル
多視点カメラの幾何学的関係を明示的に組み込んだワールドアクションモデルを提案し、LIBEROやRoboTwin 2.0で高い成功率を達成した。
原題: MVG-WAM: Multiple View Geometry-Aware World-Action Modeling for Robotic Manipulation / Wenbo Chen, Tianfu Li, Haoxuan Xu 他
日本語で読む → - 論文模倣学習ロボティクス
失敗動画から学ぶヒューマノイドスキル:Track-and-Complete
失敗した人間の動画から、失敗前の有効な動作を模倣し、推定したタスク結果に基づいてタスクを完了する手法TRACCを提案。成功実演なしでもヒューマノイドのスキル学習が可能であることを示した。
原題: Track-and-Complete: Learning Humanoid Skills from a Single Failed Human Video / Sarmad Idrees, Jongeun Choi
日本語で読む → - 論文動作リターゲティングロボティクス
OTRetarget: 最適輸送によるロボットと物体の関節動作リターゲティング
人間の動作を人型ロボットと複数物体に同時にリターゲティングする手法を提案し、接触を保ちながら動作を適応させる。
原題: OTRetarget: Joint Robot and Object Motion Retargeting via Optimal Transport / Guillaume Besset, Erwann Carn, Timothée Carecchio 他
日本語で読む → - 論文動作生成/リターゲティング画像認識
クロススケルトン動作リターゲティングが非識別可能である理由:生成動作モデルの構造的限界
異なる骨格間で動作を転送する生成モデルは、ソース動作を反映したのか典型的動作を生成したのか区別できない構造的曖昧性を持つことを示し、その検証指標SIFを提案した。
原題: Why Cross-Skeleton Retargeting Is Non-Identifiable: Structural Limits of Generative Motion Models / Zhiyuan Li, Wenyan Yang, Pekka Marttinen 他
日本語で読む → - 論文VLAロボティクス
CrossBFM: ヒューマノイド間で共有される潜在行動空間の蒸留
リターゲティングを利用して、複数のヒューマノイドに共通の潜在行動空間を1GPU時間未満で蒸留し、10GPU時間の追従学習で全身制御を実現する手法を提案。
原題: CrossBFM: Distilling a Shared Latent Behavior Space Across Humanoid Embodiments / Tan-Dzung Do, Tuan Dat Phuong, Nico Bohlinger 他
日本語で読む → - 論文SLAMロボティクス
Pow3R-SLAM: 3D再構成事前分布を用いたリアルタイムRGB-D SLAM
2視点3D再構成の事前分布を活用し、深度をネットワーク予測の事前情報として組み込むことで、高速かつ高精度なRGB-D SLAMを実現した研究。
原題: Pow3R-SLAM: Real-Time RGB-D SLAM with 3D Reconstruction Priors / Christopher Kolios, Ishaan Mehta, Sasa Janjic 他
日本語で読む → - 論文音源ナビゲーションロボティクス
BCNav: 方位条件付き深度方策による音源ナビゲーション
音源方向推定(DOA)と深度画像のみを入力とするナビゲーション方策を模倣学習で訓練し、音響シミュレーションや実環境での音声データ収集なしに未知環境で音源へ移動できるロボットを実現した。
原題: BCNav: Bearing-Conditioned Depth Policies for Sound Source Navigation / Yaozhong Kang, Jiang Wang, Takeshi Ashizawa 他
日本語で読む → - 論文音声対話自然言語
MultiTalk: 長時間・多人数・バイリンガル会話への全二重音声モデルの拡張
長時間・多人数・英中バイリンガルの全二重音声対話モデルを実現するため、57.6k時間の合成データセットと実録音ベースの評価ベンチマークを構築した研究。
原題: MultiTalk: Scaling Full-Duplex Speech Models to Long, Multi-Party, Bilingual Conversation / Ke Wang, Houxing Ren, Zimu Lu 他
日本語で読む → - 論文4Dセグメンテーション画像認識
S4VY: フィードフォワード4D視覚幾何におけるセグメントエニシング
RGB観測からフィードフォワードな4D視覚幾何特徴を抽出し、時空間クエリデコーダで永続的な4Dインスタンスマスクを生成するセグメンテーションモデルを提案。言語指示に基づく4Dグラウンディングも可能。
原題: S4VY: Segment Anything in Feed-Forward 4D Visual Geometry / Jingdong Zhang, Xin Li, Jan Kautz 他
日本語で読む → - 論文視覚ナビゲーションロボティクス
動的視覚ナビゲーションのための特権制御バリア関数をRGBのみの安全フィルタへ蒸留
特権的な制御バリア関数教師の安全行動をRGBのみの生徒フィルタに蒸留し、動的環境での衝突回避を実現する手法を提案。
原題: Distilling Privileged Control Barrier Functions into RGB-Only Safety Filters for Dynamic Visual Navigation / Seungyeon Yoo, Gawon Lee, Seungwoo Jung 他
日本語で読む → - 論文経路計画ロボティクス
未知環境における経路検証のための非対称スカウト・ワーカー偵察
小型で機動性の高いスカウトが、大型ワーカーが通れる経路を未知環境で偵察・検証する枠組みを提案し、シミュレーションと実機で有効性を示した。
原題: Asymmetric Scout-Worker Reconnaissance for Route Validation in Unknown Environments / Kashif Khurshid Noori, Jaskrit Singh, Athanasios Ch. Kapoutsis 他
日本語で読む → - 論文自動運転/世界モデルロボティクス
PhysWAM: 自動運転のための物理的に整合した世界行動モデル
マルチビュー動画・深度・自車運動を単一のフローマッチングTransformerで同時生成し、生成した深度と運動をLiDAR点群に整合させる幾何制約CPPを導入した自動運転向け世界行動モデル。
原題: PhysWAM: Physically Consistent World Action Model for Autonomous Driving / Dhruv Parikh, Fengcheng Yu, Quankai Gao 他
日本語で読む → - 論文マニピュレーションロボティクス
基盤モデル誘導によるトポロジー認識型意味的リスク場を用いたマニピュレーション
基盤モデルが物体ペアごとに方向別リスク重みと空間減衰スケールを推定し、3Dボクセル幾何と組み合わせてトポロジー認識型の意味的リスク場を構築することで、衝突回避を超えた安全なマニピュレーション計画を実現する。
原題: Foundation-Model-Guided Topology-Aware Semantic Risk Fields for Manipulation / Giung Lee, Weihang Guo, Lydia E. Kavraki
日本語で読む → - 論文VLAロボティクス
EquivDP3: データ効率の高いヒューマノイド移動操作のためのSIM(3)不変点群エンコーダ
ヒューマノイドの移動操作において、SIM(3)同変なVector Neuron Networkエンコーダを拡散ポリシーに組み込み、少ないデモンストレーションで物体姿勢や照明の変化に汎化する手法を提案。
原題: EquivDP3: A SIM(3)-Invariant Point-Cloud Encoder for Data-Efficient Humanoid Loco-Manipulation / Abu Hanif Muhammad Syarubany, Chang D. Yoo
日本語で読む → - 論文マニピュレーションロボティクス
実行器を考慮した候補選択:実現可能性証明による手法
運動計画の候補が実行器の制約を満たすかを判定する証明書ベースの枠組みを提案し、幾何学的に有効でも実行不可能な候補を除外できることを示した。
原題: Executor-aware Candidate Selection via a Feasibility Certificate / Sooin Choi, Soonwoong Hwang, Wansoo Kim
日本語で読む → - 論文VLAロボティクス
ドメイン不変潜在先読みによるVLAモデルの偽相関の解消
視覚言語行動モデルが視覚分布シフトで脆くなる原因である偽相関を、ドメイン変換軌道から学んだドメイン不変の未来潜在表現で方策を監督することで軽減するDILLを提案し、LIBERO-Plusで平均成功率69.1%を達成した。
原題: Disentangling Spurious Correlations in Vision-Language-Action Models via Predicting Domain-Invariant Latent Lookahead / Junghyun Kim, Ngseo Kim, ChungWoo Lee 他
日本語で読む →
PR・アフィリエイト広告
