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: 2026/10/6 / 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機械学習
JEPA世界モデルにおける逆動力学による不安定モードの保持
JEPA世界モデルに逆動力学損失を追加することで、制御に重要な不安定モードを表現に保持し、視覚ベースの制御を可能にする手法を提案。
原題: Preserving Unstable Modes Through Inverse Dynamics in JEPA World Models / Leonardo F. Toso, Yann LeCun, James Anderson 他
日本語で読む → - 論文VLAAI
VeriFine: 身体性推論における自己改善のための検証スケーリング
方策・カリキュラム・判定器を共進化させ、人間の助言を活用して判定器を改良することで、身体性推論タスクにおける継続的な自己改善を実現するフレームワークを提案。
原題: VeriFine: Scaling Verification for Self-Improvement in Embodied Reasoning / Zewei Zhou, Rachel Luo, Yulong Cao 他
日本語で読む → - 論文VLAロボティクス
AutodidactWAM: 生成動画からロボット動作へのクロスモーダル自己蒸留
世界行動モデルが生成した動画から手姿勢推定と逆運動学で動作を復元し、自己蒸留でロボットの動作精度を大幅に改善した研究。
原題: AutodidactWAM: Cross-Modal Self-Distillation from Generated Video to Robot Actions / Sergei Kurchev, Iaroslav Kolomiets, Miguel Altamirano Cabrera 他
日本語で読む → - 論文VLAロボティクス
OpenWAM: 構成可能なWorld-Actionモデルのためのオープンフレームワーク
ロボット動画の基盤モデルと構成可能な映像-行動相互作用を組み合わせたオープンなWorld-Actionモデリング枠組みを提案し、LIBEROや実機タスクで高い成功率を達成した。
原題: OpenWAM: An Open Framework for Composable World-Action Models / Heng Yu, David D. Yuan, Juze Zhang 他
日本語で読む → - 論文VLAAI
PAIR: 視覚言語行動モデルにおける知覚と行動の橋渡し
視覚言語行動モデルにおいて、知覚表現と行動生成の間を埋める共有表現を学習するフレームワークPAIRを提案し、LIBEROやCALVINなどで成功率を向上させた。
原題: PAIR: Bridging Perception and Action in Vision-Language-Action Models / Kaixi Feng, Guoheng Sun, Ang li
日本語で読む → - 論文VLA機械学習
認知バイアスを考慮した量子機械学習と強化学習による親和性・ロマンス投資詐欺検出フレームワーク
会話中の認知バイアスを量子回路でモデル化し、強化学習エージェントが最適停止問題として詐欺会話を検出するハイブリッド手法を提案。
原題: A Cognitive-Aware QML-CRL Framework for Detecting Affinity and Romance-Investment Fraud / Bibhas Adhikari, Ramya Srinivasan
日本語で読む → - 論文VLA機械学習
オフライン視覚制御のための有向時間表現
凍結した視覚モデル特徴上で、目標到達コストを測る有向準距離を学習し、それを時間的クリティックとして目標条件付き方策を直接学習する手法を提案。
原題: Directed Temporal Representations for Offline Visual Control / Chenyang Yuan, Haoyu Wang, Zhuo Sun 他
日本語で読む → - 論文VLAロボティクス
CAP: コードブック整合予測によるトークン化ロボットポリシー
アクショントークナイザのコードベクトルをポリシーのクラスプロトタイプとして再利用することで、トークン予測誤差に頑健なロボットポリシーを実現する手法CAPを提案。
原題: CAP: Codebook-Aligned Prediction for Tokenized Robot Policies / Haoran Chen, Jingtian Ji, Samuel Wheeler 他
日本語で読む → - 論文VLAロボティクス
再構成を超えて:ロボットポリシーのための行動トークン化で重要なこと
行動トークナイザの学習に予測可能性とロバスト性を組み込むProActを提案し、複数のベンチマークや実機でロールアウト成功率を大幅に改善した。
原題: Beyond Reconstruction: What Matters in Action Tokenization for Robot Policies? / Haoran Chen, Jingtian Ji, Samuel Wheeler 他
日本語で読む → - 論文VLAAI
EMHO: 経験トレースによる身体性エージェントハーネスの最適化
身体性エージェントのモデルを固定したまま、実行トレースを分析してハーネス(計画・文脈・ツール利用)を自己進化させるフレームワークEMHOを提案し、ナビゲーションとマニピュレーションで成功率を向上させた。
原題: EMHO: EMbodied Agent Harness Optimization via Experience Traces / Hyun Jung Lee, Jungtaek Kim, Jongwon Jeong 他
日本語で読む → - 論文VLAロボティクス
EgoLAP: 言語-行動推論による一人称視点の人間データからの学習
人間の一人称視点の軌道を、言語による行動連鎖推論を介してロボット制御に転移させるVLA事前学習フレームワークを提案し、実世界タスクで大幅な性能向上を達成した。
原題: EgoLAP: Learning from Egocentric Human Data through Language-Action Reasoning / Lihan Zha, Shresth Grover, Tenny Yin 他
日本語で読む → - 論文VLAロボティクス
VLA-ACL: 行動整合性に基づく視覚トークン刈り込みによる効率的なVision-Language-Actionモデル
ベースのVLAモデルを凍結したまま、行動レベルの教師信号で軽量な視覚トークン選択ポリシーを学習し、最大87.5%の視覚トークンを削減しつつ操作性能を維持する手法を提案。
原題: VLA-ACL: Action-Consistent Visual Token Pruning for Efficient Vision-Language-Action Models / Owen Du, Yang Yue, Jie Zhang 他
日本語で読む → - 論文VLAロボティクス
ViDAL: 視覚ダイナミクスに基づく視覚言語行動モデル用の行動潜在空間
行動が引き起こす未来の視覚変化に整合する連続行動潜在空間を学習し、複数のVLAモデルに組み込める行動インターフェースとして成功率を大幅に向上させた論文。
原題: ViDAL: A Visual Dynamics-Grounded Action Latent Space for Vision-Language-Action Models / Yuan Xu, Yixiang Chen, Qisen Ma 他
日本語で読む → - 論文VLAロボティクス
展開を通じたロボットオーケストレーターとポリシーの共進化
VLMオーケストレーターとVLAポリシーを実展開中に共進化させ、自己生成したデモでポリシーを微調整し検証後に採用することで、実世界タスクの成功率を向上させる手法Robo-COPを提案。
原題: Co-Evolving Robot Orchestrators and Policies through Deployment / Xilun Zhang, Maggie Wang, Erik Bauer 他
日本語で読む → - 論文VLAロボティクス
視覚外乱に適応するVLAモデルの自己教師ありテスト時適応
ロボット実行中に未知の視覚外乱が起きても、直前の未実行行動チャンクを自己教師信号としてVLA方策をテスト時に適応させ、成功率を向上させる手法SALTを提案。
原題: Adapting Vision-Language-Action Models to Unknown Visual Disruptions During Execution / Ahin Lee, Jinwoo Seo, Youngsoo Jang 他
日本語で読む → - 論文VLAロボティクス
イベント駆動型先回りロボット支援:視覚言語推論による実現
人間と物体のインタラクション結果をイベントとして捉え、視覚言語モデルを用いてタスク文脈を推論し、必要に応じて先回りの支援行動を生成するフレームワークを提案。実世界の協調作業3種で評価した。
原題: Event-Driven Proactive Robot Assistance through Vision-Language Reasoning / Fengkai Liu, Hao Su, Haozhuang Chi 他
日本語で読む → - 論文VLA画像認識
SpaTime: 時空間推論のためのストリーミング視覚言語モデル
動画が到着する途中でも因果的幾何トークンを融合し、応答時間損失で適切な応答タイミングを学習するストリーミングVLMを提案。
原題: SpaTime: Streaming Vision-Language Models for Spatio-temporal Reasoning / Hairong Yin, Huangying Zhan, Shin-Fang Chng 他
日本語で読む → - 論文VLAAI
Attacca: 状態連続性下での長期身体エージェントのための目標指向制御
長期タスク実行中の状態連続性に対応するため、検索から相互作用までの軌跡で視覚目標条件付きポリシーを訓練するAttaccaを提案。目標画像を実行環境から切り離し、行動フェーズ条件付けを導入。
原題: Attacca: Goal-Directed Control under State Continuity for Long-Horizon Embodied Agents / Gyusik Seo, Jaehong Yoon
日本語で読む → - 論文VLAロボティクス
言語は符号化されるが制御に至らない:視覚言語ロボット政策における接地ギャップの解明
視覚言語行動政策が指示を符号化しても、シーンに基づく元の対象選択を変えられない「接地ギャップ」を、指示介入実験と注意分析により明らかにした。
原題: Encoded but Not in Control: Revealing the Grounding Gap in Vision-Language Robot Policies / Shaohan Jiang, Jiahang Cao, Qiduo He 他
日本語で読む → - 論文VLAロボティクス
I-BFM: 教師なし強化学習による報酬条件付きロバストヒューマノイドインタラクション
人間・物体・接触の結合ダイナミクスを教師なし強化学習で共有表現として学習し、下流タスクの報酬に条件付けられた単一の方策で運搬・押し・キックなどの全身インタラクションを実行できるヒューマノイド基盤モデルを提案した。
原題: I-BFM: Reward-Conditioned Robust Humanoid Interaction via Unsupervised Reinforcement Learning / Ziqi Han, Yitang Li, Junhan Sun 他
日本語で読む → - 論文VLAロボティクス
双腕VLAモデルにおける腕ごとの組合せ的一般化
双腕ロボットの協調を「腕ごとの基本スキルの再構成」として評価するベンチマークACG-Benchを提案し、スキル特化LoRAと腕別アテンションを組み合わせたAE-VLAで汎化性能を大幅に改善した。
原題: Arm-wise Compositional Generalization in Dual-Arm Vision-Language-Action Models / Zaibin Zhang, Binghao Ran, Yuhan Wu 他
日本語で読む → - 論文VLAロボティクス
生成的ロボットポリシーの非同期再計画における実行整合型漸進ノイズ
生成ポリシーの非同期再計画で生じるモード切替や不整合を防ぐため、チャンク間・チャンク内に構造化ノイズを導入し、実行変位に整合した生成状態を継続させる手法EAPNを提案。
原題: Execution-Aligned Progressive Noise for Consistent Asynchronous Replanning in Generative Robot Policies / Di Wu, Ping Liu, Xuhua Chen 他
日本語で読む → - 論文VLA機械学習
OGAM: 物体接地型注意監視によるVLAポリシーの体系的テストと実行時保証の接続
VLAポリシーの失敗時に生じる注意の逸脱を物体マスクで監視し、成功時の注意軌跡とのずれを検出して失敗を早期停止する手法を提案。
原題: OGAM: Connecting Systematic Testing to Runtime Assurance through Object-Grounded Attention Monitoring for VLA Policies / Haki Darwish, Xiangyu Yin, Changwen Li 他
日本語で読む → - 論文VLAAI
視覚言語モデルにおける視覚的グラウンディングの安全性
有害な要求が自由記述応答ではなく点やバウンディングボックスのグラウンディングを求める場合、視覚言語モデルが拒否しにくくなることを示し、グラウンディング形式の拒否データで微調整することで安全性を改善する手法を提案した。
原題: Visual Grounding Safety in Vision-Language Models / Erfan Shayegani, Kundan Krishna, Yue Dong 他
日本語で読む → - 論文VLA画像認識
RealtimeWAM:ワンステップ非同期ワールドアクションモデル
映像生成バックボーンの表現を活用するワールドアクションモデルにおいて、教師アンカー型一貫性蒸留とクロスエキスパート・ウェーブフロント・パイプライン化により、ワンステップの行動生成と非同期推論を実現し、推論効率を大幅に向上させた研究。
原題: RealtimeWAM: One-Step Asynchronous World Action Models / Chengtao Lv, Jinyang Du, Shuyi Feng 他
日本語で読む → - 論文VLA画像認識
追跡は永続性ではない:動画世界モデルは隠れた物体をどこまで保持するか
凍結したV-JEPA 2予測器に物体を隠して、予測器が隠れた物体の情報をどれだけ保持するかを調べた研究。物体の永続性は予測器側に欠けており、訓練で安価に導入できることを示した。
原題: Tracking Is Not Permanence: What Video World Models Keep of a Hidden Object / Peng Xie, Amr Alanwar
日本語で読む → - 論文VLAロボティクス
エージェント型ロボットのための再帰的ビデオ文脈内学習
実演ビデオをサブイベント階層として構築し、エージェントが必要な時に必要な粒度だけを読み込む訓練不要の手法を提案。LIBERO-PROとLIBERO-Plusで成功率を向上させた。
原題: Recursive Video In-Context Learning for Agentic Robot / Wenrui Bao, Xinxin Liu, Bingxin Xu 他
日本語で読む → - 論文VLAロボティクス
未来アンカー検証とオンライン回復によるWorld Action Model
World Action Modelが予測した未来のフレームをアンカーとして保持し、実行のずれを検出して視覚言語モデルで修正指示を生成し元の計画に復帰させる軽量フレームワークFAVORを提案。
原題: Future Anchored Verification and Online Recovery for World Action Models / Zhibin Qin, Zhenxiong Tan, Xinchao Wang
日本語で読む → - 論文VLA画像認識
ROT: 隠れ状態を文脈ベクトルへ回転させてLVLMの幻覚を抑制
大規模視覚言語モデルの中間層で幻覚トークンが示す文脈的逸脱を検出し、ノルムを保つ回転で隠れ状態をマルチモーダル文脈平面へ補正する学習不要の幻覚抑制フレームワークを提案。
原題: ROT: Rotating Hidden States towards Contextual Vectors for Hallucination Mitigation in LVLMs / Yijing Du, Xiangcheng Zhan, Shuo Yang
日本語で読む → - 論文VLAロボティクス
切り替えのタイミング:Vision-Language-Actionモデルのための信頼性の高いアクションチャンク拡張
VLAモデルの長いアクションチャンク実行における誤りがサブスキル遷移付近に集中することを見出し、遷移タイミングを予測・条件付けすることで長いチャンクでも信頼性高く実行できるRACEを提案した。
原題: When to Switch: Reliable Action-Chunk Extension for Vision-Language-Action Models / Seonghoon Yu, Dongwon Kim, HyungRok Jung 他
日本語で読む →
PR・アフィリエイト広告
