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VLAロボティクス
世界行動モデルのための完了認識ガイダンス
世界行動モデルがタスク完了に必要な遷移を予測できない問題に対し、学習不要のサンプリング手法CAGを提案し、タスク成功率を向上させた。
原題: Completion Aware Guidance for World Action Models / Seungyeon Kim, Junhoo Lee, Baekseung Kim 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
キネマティックMeanFlow:ロボット基盤モデルのための一段階行動生成ポリシー
多段階フローマッチングの推論遅延を解消するため、速度場のダイナミクスを運動学的に分解した一段階行動生成ポリシーK-MFを提案し、GR00T-N1.6の遅延を大幅に削減した。
原題: Kinematic MeanFlow: One-Step Action Generation Policy for Robotic Foundation Models / Jiawei Fan, Sifeng Wang, Yuqing Hou 他
日本語で読む → - 論文VLA画像認識
2D VLMを3Dプログラマに変えるタスク適応型グラウンディング
2Dの視覚言語モデルに座標系の統一とタスク適応フィードバックを組み合わせ、再学習なしで3D理解・操作・生成を可能にするフレームワーク3D-Progを提案。
原題: Task-Adaptive Grounded 3D-Programmers Using 2D VLMs / Arman Raayatsanati, Sombit Dey, Anna-Maria Halacheva 他
日本語で読む → - 論文VLAロボティクス
TOAST: 自己回帰型視覚-言語-行動モデルのための確率的ロボット行動トークン化
同じ行動列を複数のトークン列で表現できる冗長性を活かし、学習時に確率的にサンプリングするトークン化手法を提案。データが少ないほど精度が向上し、実機タスクでも有効性を示した。
原題: TOAST: Stochastic Robot Action Tokenization for Autoregressive Vision-Language-Action Models / Keisuke Shirai, Tomohiro Motoda, Hanbit Oh 他
日本語で読む → - 論文VLAロボティクス
世界校正型Proposal-to-Actionフローによる視覚言語行動モデル
VLAポリシーの生成開始点を直近の動作から予測可能にし、世界モデルで校正した異方性ソースで行動を生成するProActを提案。
原題: World-Calibrated Proposal-to-Action Flow for Vision-Language-Action Models / Jie He, Wei Li, Junwen Tong 他
日本語で読む → - 論文VLAロボティクス
WBAG: 視覚言語行動マニピュレーションのための全身・把持物体ジオメトリ安全フレームワーク
VLAポリシーの実行時に、ロボット全身と把持物体の形状を考慮した安全制約を微分可能CBFとして組み込み、衝突を回避しながらタスクを遂行する枠組みを提案。
原題: WBAG: A Whole-Body and Attached-Geometry Safety Framework for Vision-Language-Action Manipulation / Samuel Zhen, Siwon Jo, Yanze Zhang 他
日本語で読む → - 論文VLAロボティクス
ChunkVLA-AM: 積層造形における視覚-言語-行動ロボット制御のための並列アクションチャンキング
積層造形向けにOpenVLA-OFTをFAIRINO FR3ロボットへ適応させ、8ステップのアクションチャンクを並列予測してクラウドエッジ構成で物体搬送を実行、42回中39回成功した。
原題: ChunkVLA-AM: Parallel Action Chunking for Vision-Language-Action Robot Control in Additive Manufacturing / Zhugang Liu, Kaichuang Zhang, Jinman Zhang 他
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VLAロボティクス
eRLT: 行動に関連するトークンルーティングによる効率的なVLA強化学習
凍結したVLAモデルからタスク固有の行動関連特徴をトークンと層をまたいで抽出し、強化学習のサンプル効率を向上させる手法を提案。
原題: eRLT: Efficient VLA Reinforcement Learning via Action-Relevant Token Routing / Dehao Huang, Jianbang Liu, Jianpan Gao 他
日本語で読む → - 論文VLAロボティクス
UniWAM:統合された世界行動モデル
物理推論・映像生成・行動予測を統合したモデルで、人間の一人称視点データとロボットデータを活用し、複数の評価でSOTAを達成した。
原題: UniWAM: Unified World-Action Model / Jiayi Chen, Wenxuan Song, Jingbo Wang 他
日本語で読む → - 論文VLAロボティクス
世界運動モデル:SE(3)軌道の柔軟な系列モデリング
動的3D世界の要素を剛体SE(3)軌道として表現し、フローマッチングによる系列モデリングで予測・補間・制御・IK・リターゲティング・方策学習を統一的に扱う手法を提案。
原題: World Motion Models: Flexible Sequence Modeling of SE(3) Trajectories / Jiahui Lei, Qianqian Wang, Trevor Darrell 他
日本語で読む → - 論文VLA画像認識
トークンを減らして行動を改善:成功率14%向上・トークン65%削減を実現するGPT-6 Astraロボットエージェント
ロボットプリミティブとVLAポリシーをPythonコードとして組み合わせ、必要な観測だけを要求するフレームワークPyRUA-Leanを提案。同一プランナーで成功率を63.1%から71.7%に向上させつつ、入力トークンを65%削減した。
原題: Fewer Tokens, Better Action: GPT-6 Astra Robot Agents with 14% Higher Success Rate but 65% Fewer Tokens / Ruiyang Si, Jianxin Bi, Shunyu Yang 他
日本語で読む → - 論文VLAロボティクス
UniTrackPLA:指示に基づくナビゲーションと動的人物追跡のための統合パノラマ・言語・行動モデル
全方位パノラマ観測を活用し、言語指示ナビゲーションと人物追跡を単一モデルで行う統合VLAを提案。行動予測の一貫性検証により再計画を可能にし、シミュレーションと実環境で性能を向上させた。
原題: UniTrackPLA: Unified Panorama-Language-Action Model for Instruction-Guided Navigation and Dynamic Person Tracking / Pengfei Qi, Haoran Lin, Sizhuang Chen 他
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VLA画像認識
EMGと視覚タスク記述子によるVLAの連続的条件付け
VLAモデルに筋電図と視覚セグメンテーションを追加条件として与える2つの手法を提案し、混雑した未知環境でのタスク性能が言語条件のみより大幅に向上することを示した。
原題: Continuous Conditioning of VLAs with Augmenting EMG and Visual Task Descriptors / Edward W. Staley, Connor O. Pyles, Rahul Hingorani 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VLAロボティクス
ブラックアウト対フリーズ:カメラ故障下におけるVLAの物理的故障モードの分析
視覚言語行動モデル(VLA)がカメラのブラックアウトやフリーズに直面した際の物理的な故障モードを分析し、固有感覚や視覚情報の役割を調査した。
原題: Blackout vs. Freeze: Analyzing Physical Failure Modes of VLAs under Camera Faults / Heejae Suh, Jongwook Han, Zahra Gholami 他
日本語で読む → - 論文VLA画像認識
GroundingPI:視覚プリミティブで物理知能に挑むグラウンディング基盤モデル
点やボックスを量子化座標として生成する4Bのグラウンディング基盤モデルを提案し、ロボット操作や自動運転の視覚バックボーンとして性能を向上させた。
原題: GroundingPI: A Grounding Foundation Model towards Physical Intelligence with Visual Primitives / Qize Yu, Lianrui Fan, Boyu Chen 他
日本語で読む → - 論文VLAAI
ChronoGraph: 視覚言語モデルによる機能的な4Dシーングラフで相互作用理解と接地計画を実現
行動によるシーンの変化を4Dシーングラフとして表現し、視覚言語モデルで理解と計画を統合する手法を提案。グラフを思考連鎖として学習させ、実世界の移動マニピュレーションにも応用した。
原題: ChronoGraph: Functional 4D Scene Graphs with Vision-Language Models for Interaction Understanding and Grounded Planning / Chenyangguang Zhang, Malgorzata Gwiazda, Guanlong Jiao 他
日本語で読む → - 論文VLAロボティクス
フローマッチングVLA方針のための自己教師あり軌道分布最適化によるオンライン進化戦略
フローマッチングに基づくVLAモデルの行動軌道分布を、進化戦略を用いてオンラインで適応的に改善する手法を提案。
原題: Online Evolution Strategy for Flow-Matching VLA Policies via Self-Supervised Trajectory Distribution Optimization / Gongxin Yao, Yongsheng Zhao, Jiayin Deng 他
日本語で読む → - 論文VLAロボティクス
Token-World: 視覚言語モデルのトークン空間におけるロボット操作のための世界モデリング
VLAモデルの視覚トークンを圧縮した状態空間で未来のダイナミクスを予測する世界モデルを提案し、操作ベンチマークで予測精度と方策整合性を向上させた。
原題: Token-World: World Modeling in Vision-Language Model Token Space for Robot Manipulation / Chuyao Fu, Xiaowei Chi, Yuhan Rui 他
日本語で読む → - 論文VLAロボティクス
Text-to-3D Policy: 未見仕様への汎化のための細粒度言語-行動アラインメント
言語指示と行動の対応をトークン単位で双方向に結びつけ、未見の細かい仕様変化にも対応できる3D拡散方策を実現した研究。
原題: Text-to-3D Policy: Fine-Grained Language-Behavior Alignment for Unseen Specification Generalization / Xinhao Yang, Wenhao Wu, Ning Lv 他
日本語で読む → - 論文VLA画像認識
NavHarness: エージェント型視覚言語ナビゲーションのための適応的ゴール設定
視覚言語ナビゲーションにおいて、ゴール設定・検証・記憶圧縮・視覚運動実行の4エージェントで構成されるフレームワークを提案し、長期的タスクでの一貫性と推論効率を改善した。
原題: NavHarness: Adaptive Goals for Agentic Vision-Language Navigation / Haoxiang Shi, Zaijing Li, Muhe Ding 他
日本語で読む → - 論文VLAロボティクス
指示が軌道を呼び出すとき:VLAモデルの汎化失敗の診断と緩和
VLAモデルが言語と視覚を組み合わせて行動を選べず失敗する「指示-行動バインディング」問題を分析し、同指示で異なる行動を要するデータと損失で訓練するECTを提案した。
原題: When Instructions Retrieve Trajectories: Diagnosing and Mitigating Generalization Failures in VLA Models / Hung-Jen Chen, Yu-Hsun Hou, Yan-Hong Chen 他
日本語で読む → - 論文VLA画像認識
Uruqi: 視覚体験から空間認知を学習する
移動するエージェントの視覚体験を模した合成データでVLMを訓練し、自己運動の追跡と周囲の地図構築という空間認知能力を大幅に向上させた。
原題: Uruqi: Learning Spatial Cognition from Visual Experience / Shichao Li, Meiqi Wang, Fei Su 他
日本語で読む →
PR・アフィリエイト広告
