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: 2026/9/4 / 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
GE-Act 2.0: ロボット操作のためのワールドアクションモデルの事前学習とスケーリング
操作データのみで生成・行動コンポーネントをゼロから学習するワールドアクションモデルを提案し、大規模データでの事前学習とスケーリングの効果を検証した。
原題: GE-Act 2.0: Pretraining and Scaling a World-Action Model for Robotic Manipulation / AgiBot Research Team, Renhang Liu, Wenzhi Zhao 他
日本語で読む → - 論文画像生成画像認識
LensStyle:光学美学を学習し、制御可能なスタイライズドレンズ効果レンダリングを実現
レンズの美学(絞り形状、周辺減光、回折など)を明示的にモデル化し、連続・離散制御を統合した統一フレームワークで、多様なボケ効果やスターバーストなどのスタイライズドレンズ効果を生成する手法を提案した。
原題: LensStyle: Learning the Optical Aesthetics for Controllable Stylized Lens Effect Rendering / Yachuan Huang, Liwen Xiao, Liao Shen 他
日本語で読む → - 論文姿勢推定画像認識
音に基づく複数人物の3D姿勢推定
音響信号のみから複数人物の3D姿勢を推定する初の試みで、重なり合う音響特徴を分離するエンコーダ・デコーダフレームワークを提案した。
原題: Sound-based Multi-Person 3D Pose Estimation / Yusuke Oumi, Yuto Shibata, Go Irie 他
日本語で読む → - 論文ナビゲーションロボティクス
NavArena: 3Dガウススプラッティング再構成からの目標指向ナビゲーションベンチマークの自動構築
固定された3DGS再構成を、到達可能性や衝突判定、意味的目標を備えたナビゲーションベンチマークへ自動変換するフレームワークを提案し、2,000以上のシーンで2,220万の専門家軌道を生成して評価する。
原題: NavArena: Automated Construction of Goal-Oriented Navigation Benchmarks from 3D Gaussian Splatting Reconstructions / Junhui Wang, Wei Yang, Xinyao Li 他
日本語で読む → - 論文VLA画像認識
時間を考慮した支援ナビゲーション
視覚と言語のエージェントが、ユーザーへの応答タイミングを計画できるかを検証し、複雑な屋外環境での支援ナビゲーション用の大規模ベンチマークを導入。既存のMLLMの限界を明らかにし、指示の理由を予測する単純な改良で性能が向上することを示した。
原題: Time-Aware Assistive Navigation / Masaki Kuribayashi, Zhongkai Shangguan, Eshed Ohn-Bar
日本語で読む → - 論文遠隔リハビリテーション/ハプティックインタラクションロボティクス
HaptiNet: ネットワーク化されたハプティックロボットによる地理的制約を超えた身体的共存の実現
遠隔リハビリテーションにおいて、力覚を介した身体的共存を可能にするネットワーク型ハプティックロボットシステムHaptiNetを提案し、模倣学習に基づく遅延補償により遠隔地間での協調運動を実現した。284名の健常者と111名の神経障害患者を対象に検証し、ハプティック協調訓練がタスク性能を向上させることを示した。
原題: HaptiNet: Networked Haptic Robots Enable Physical Co-presence in Geographically-Unconstrained Rehabilitation / Chenyang Sun, Mingjie Dong, Haodong Deng 他
日本語で読む → - 論文3Dシーン生成画像認識
SceneMosaic: ハイブリッドエージェント的レイアウト進化による効率的で多様なシミュレーション対応シーン生成
画像ベースの事前知識とVLMエージェントを組み合わせ、屋内シーンを局所単位で進化させて高品質かつ物理的に妥当な多様な3Dシーンを高速生成するフレームワークを提案した。
原題: SceneMosaic: Efficient and Diverse Simulation-Ready Scene Generation via Hybrid Agentic Layout Evolution / Xingjian Ran, Xiaoye Mo, Sihao Liu 他
日本語で読む → - 論文インタラクティブアートHCI
拡散TV:拡散モデルを触覚的・身体的に体験するインタラクティブアート
拡散TVは、改造したCRTテレビのアンテナを物理的に操作することで、AI生成画像のノイズ除去過程を体験できるインタラクティブアート作品を提案した論文。
原題: Diffusion TV: Experiencing Diffusion Models through Tangible, Embodied Interaction / Sihwa Park
日本語で読む → - 論文遠隔制御ロボティクス
結合制御と無線ワールドモデルによる頑健な遠隔ロボット制御
無線ネットワーク上の遠隔ロボット制御において、通信資源の制約や不安定な接続に頑健なフレームワークを提案。カメラ画像と無線信号の表現を統合したJEPAワールドモデルで将来の状態を予測し、通信スケジューリングを最適化する。
原題: Coupled Control and Wireless World Models for Resilient Remote Robotic Control / H. P. Madushanka, Sumudu Samarakoon, Mehdi Bennis
日本語で読む → - 論文画像生成画像認識
シーン内の人物の多視点画像生成のための評価フレームワーク
人物が固定された自然シーンの多視点画像を生成する際のカメラ角度変化の一貫性を評価する新しい指標HSRDを提案し、合成データ生成の品質評価に活用する。
原題: An Evaluation Framework for Generating Multi-View Images of a Person in a Scene / Mahir Majid, Young Kyung Kim, Guillermo Sapiro
日本語で読む → - 論文触覚/操作ロボティクス
TacPAC: 接触リッチ操作のためのワールドアクションモデルにおける触覚予測とリアルタイム行動修正
視覚中心のワールドアクションモデルに触覚予測を組み込む際、予測と実行のタイミング差が問題となる。TacPACは、計画された行動チャンクに基づく触覚予測をキャッシュし、実行中に得られる実触覚画像と照合して未実行の行動をリアルタイムに修正する手法を提案し、5つの実ロボットタスクで成功率を大幅に向上させた。
原題: TacPAC: Tactile Prediction and Real-Time Action Correction in World-Action Models for Contact-Rich Manipulation / Zipei Ma, Xiaofei Wei, Junzhe Jiang 他
日本語で読む → - 論文VLAロボティクス
推論コストなしの推論:ロボットVLAポリシーのための潜在意味的足場
ロボットのVLAモデルに、推論時のコストを増やさずに物理的推論の能力を持たせるため、訓練中にアクショントークンの表現をテキストの推論根拠に合わせる補助損失を導入し、推論時にはそのヘッドを捨てる手法を提案した。
原題: Reasoning Without Inference Cost: Latent Semantic Scaffolding for Robot VLA Policies / Andrew Ting Yan Li, Zhuo Li, Zhelin Yang 他
日本語で読む → - 論文自動運転/拡散モデル/軌道計画/シナリオ生成画像認識
一つの拡散モデルで二つの役割:閉ループシミュレーションにおける軌道計画と安全臨界シナリオ生成の誘導
事前学習済みの拡散交通モデルを、自動運転の開発ループにおいて、自己車両の軌道計画器と、計画器をストレステストするための安全臨界シナリオ生成器の両方として活用する手法を提案した。
原題: One Diffusion Model, Two Roles: Guided Trajectory Planning and Safety-Critical Scenario Generation in Closed-Loop Simulation / Arka Pal, Rajesh Kumar, Hannes Eriksson 他
日本語で読む → - 論文世界モデル画像認識
TourPhysics: 物理を世界モデルに導入し、単一画像からの探索と操作を実現
単一画像と物理設定から初期化し、シミュレーションとビデオ生成を組み合わせて、長期的な物理的一貫性を保ちながら探索と操作を行うオンラインフレームワークを提案する。
原題: TourPhysics: Bringing Physics to World Models for Exploration and Manipulation from a Single Image / Xin Zhang, Yabo Chen, Zixuan Duan 他
日本語で読む → - 論文深度推定画像認識
CrossDepth: 幾何制約付き注意機構による汎化可能な多視点サラウンド深度推定
自動運転のための多視点カメラ画像から、カメラ固有の違いと画像間の文脈不足を解決する幾何制約付き注意機構を用いた自己教師あり深度推定手法を提案した。
原題: CrossDepth: Geometry-Constrained Attention for Generalizable Multi-View Surround Depth Estimation / Samer Abualhanud, Max Mehltretter
日本語で読む → - 論文エージェントAIAI
言語モデルから世界行動システムへ:デジタル・社会・仮想・物理環境におけるエージェントAIの進歩と限界
大規模言語モデルが外部状態を変えるエージェントとなる際の進歩と限界を、委任された権限、時間的持続性、環境結合の観点から批判的にレビューした論文。
原題: From Language Models to World-Acting Systems: Progress and Limits of Agentic AI across Digital, Social, Virtual, and Physical Environments / Linsen Zhu, Mengqing Cai
日本語で読む → - 論文制御アーキテクチャロボティクス
ロボットシステムにおける適応ニーズ:ビヘイビアツリーの評価とその拡張
ロボットシステムの適応ニーズを6分類し、古典的ビヘイビアツリーの限界と拡張手法の体系を文献調査と実証で分析した論文。
原題: Adaptation Needs in Robotic Systems: Assessing Behavior Trees and Their Enhancement / Mehran Rostamnia, Gianluca Filippone, Ricardo Caldas 他
日本語で読む → - 論文模倣学習ロボティクス
何が重要か、いつ重要か?視運動模倣ポリシーにおける条件付き視覚グラウンディングの診断と改善
視運動模倣ポリシーが、視覚的に類似した物体や容器が導入されると失敗する問題を、条件付き視覚グラウンディングとして分析し、注意正則化や外観ベースの視覚プロンプティングなどの介入でロバスト性を改善した。
原題: What Matters, When? Diagnosing and Improving Conditional Visual Grounding in Visuomotor Imitation Policies / Vivek Chavan, Pengtao Xie, Yahuan Shi 他
日本語で読む → - 論文医用画像分割画像認識
心血管カテーテル血管造影における多クラス分割のための二部構成マルチラテラル分岐ネットワーク
カテーテル画像の多クラス分割を高速かつ高精度に行うため、エンコーダに横方向分岐、デコーダに複数ヘッドを持つ二部構成のMLBNetを提案し、ファントムや動物モデルのデータで有効性を検証した。
原題: Dual-Part Multi-Lateral Branched Network for Multi-Class Segmentation in Cardiovascular Catheterization Angiograms / Olatunji Omisore, Ahmed Elazab, Ali Shahidinejad 他
日本語で読む → - 論文VLM報酬モデルロボティクス
同じ軌道、矛盾する報酬(ROBORMBENCH):視覚言語報酬モデルにおける言い換えの脆弱性
視覚言語モデルをロボット学習の報酬関数として使う際、意味的に等価な指示の言い換えで報酬が大きく変わり、成功と失敗が反転することもあることを示し、その脆弱性を測るベンチマークROBORMBENCHを構築した。
原題: Same Trajectory, Contradictory Rewards (ROBORMBENCH): Paraphrase Fragility in Vision Language Reward Models / Wonje Jeung, Sangyeon Yoon, Hyesoo Hong 他
日本語で読む → - 論文グリッパー設計ロボティクス
ARTiS: 分解作業における工具操作を強化する適応型ロボットグリッパー
分解作業で工具をしっかり握って使えるよう、柔らかい掌と指先、剛性機構を組み合わせた適応型グリッパーARTiSを提案・評価した論文。
原題: ARTiS: An Adaptive Robotic Gripper for Enhanced Tool Manipulation in Disassembly Applications / Roman Mykhailyshyn, Domae Yukiyasu, Harada Kensuke
日本語で読む → - 論文データセット解析画像認識
画像サブセット間の差異を自然言語で記述することによる自動運転データセットの理解
自動運転データセットの2つの画像群の違いを自然言語で説明する「集合差分キャプショニング」を提案し、物体検出由来のパッチに着目して評価用ベンチマークAD-Diff Benchを構築した。
原題: Understanding Autonomous Driving Datasets by Describing Differences between Image Subsets in Natural Language / Julian Truetsch, Felix Hauser, Christoph Stiller 他
日本語で読む → - 論文自動運転画像認識
SV-WAM: 効率的な全方位ビュー世界行動モデルによるエンドツーエンド自動運転
全方位カメラ入力を用いた世界行動モデルを提案し、将来ビデオ予測を訓練時の補助信号として活用することで、推論時の計算負荷を抑えつつ安全な運転計画を実現した。
原題: SV-WAM: An Efficient Surround-View World-Action Model for End-to-End Autonomous Driving / Jinyang Wang, Shiwei Li, Junjian Wang 他
日本語で読む → - 論文報酬学習機械学習
部分空間推論による選好からの効率的な能動報酬学習
選好に基づく報酬学習において、拡張カルマンフィルタを低次元部分空間で適用し、報酬モデルの不確実性を効率的に追跡する手法を提案した。
原題: Subspace Inference Enables Efficient Active Reward Learning from Preferences / Yutai Zhou, Erdem Bıyık
日本語で読む → - 論文障害検出ロボティクス
FailureSpot: VLAモデルのためのラベル効率的なタイムスタンプレベル障害検出
VLAポリシーの実行中に発生する障害を、タイムスタンプ単位で正確に検出する手法を提案。未ラベルのアクションチャンクから弱教師信号を生成し、能動学習で重要な軌道のみに注釈を付けて検出器を微調整することで、ラベルコストを抑えつつ検出精度を向上させた。
原題: FailureSpot: Label-Efficient Timestamp-Level Failure Detection for Vision-Language-Action Models / Jie Ma, Zongxi Liu, Yi Zhu
日本語で読む → - 論文歩行ロボティクス
MulDP: 複雑な地形を自律走破する四足ロボットのためのマルチモーダル拡散ポリシー
四足ロボットのパルクールナビゲーションを自律化するため、視覚・自己受容感覚・目標情報を統合した拡散ポリシーを提案し、専用データセットを構築して実機・シミュレーションで有効性を検証した。
原題: MulDP: Multimodal Diffusion Policy for Autonomous Quadruped Parkour Navigation across Complex Terrains / Kangmai Hu, Yueqi Zhang, Peng Zhai 他
日本語で読む → - 論文HRI/ジェスチャ認識ロボティクス
SocioGesture: 人とロボットのインタラクションのためのリアルタイム適応型社会的ジェスチャ認識
ロボットが人との対話中に、招待や拒否などの社会的合図をノイズの多いオンボードセンサーからリアルタイムに認識するシステムを提案。軽量な骨格表現とデュアルストリームモデルで低遅延認識を実現し、オクルージョン耐性を高めつつ、不確実な区間を保存して適応的に語彙を拡張する。
原題: SocioGesture: Real-Time and Adaptive Social Gesture Perception for Human-Robot Interaction / Wenjin Fu, Li-Fan Wu, Jerin Peter 他
日本語で読む → - 論文視覚認識/3D再構成ロボティクス
写真測量とセマンティックセグメンテーションを用いたロボット後処理のための溶接シーム自動認識と3Dマッピング
複数視点の画像から溶接シームをセマンティックセグメンテーションで検出し、写真測量で再構成した3Dモデルに投影することで、大規模ワークの溶接シーム位置を効率的に特定するパイプラインを提案した。
原題: Automated Weld Seam Recognition and 3D Mapping for Robotic Post Processing Using Photogrammetry and Semantic Segmentation / Augustin Raju, Abilash Madavath, Chandra Yuvesh Aubeeluck 他
日本語で読む → - 論文自動運転画像認識
離散的な心から連続的な行動へ:エンドツーエンド自動運転のための潜在整合プランニング
Vision-Language Modelの離散的な推論と自動運転の連続的な物理制約を橋渡しするため、潜在整合プランニングを備えたVLAフレームワークLaPlaを提案。量子化誤差を排除し、物理的に妥当な軌道を生成する。
原題: Continuous Actions from Discrete Minds: Latent-Aligned Planning for End-to-End Autonomous Driving / Ruoyu Yao, Yusen Xie, Qingzhao Liu 他
日本語で読む → - 論文自動科学発見AI
物理実験室の計算可能な表現による検証可能なワークフロー
実験室の状態と操作を形式的に表現し、ロボット実験室でワークフローを生成・検証する枠組みを提案した論文。
原題: A computable representation of the physical laboratory enables verifiable workflows / Xiaobo Li, Luyao Ge, Xiaohui Li 他
日本語で読む →
PR・アフィリエイト広告
