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: 2026/9/30 / 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VLAAI
SkillFM: 潜在フローマッチングによるLLMエージェント向けスキル生成
テキストスキルを連続潜在空間で符号化し、条件付きフローモデルでタスクに応じたスキルを直接生成する手法を提案。ALFWorldやSearch-QAなどで検索ベース手法を上回る性能を示した。
原題: SkillFM: Generating Skills for LLM Agents via Latent Flow Matching / Zuming Zhang, Jie He, Yizhe Zhang 他
日本語で読む → - 論文VLAロボティクス
PhasePlan: ロボット脳モデルのための順序付き未来フェーズ計画
ロボット脳モデルが固定長の行動チャンクを予測する代わりに、将来の各行動位置でのタスクフェーズを予測し、その計画表現で行動生成を条件付けることで、動的環境での行動タイミングを改善する手法を提案。
原題: PhasePlan: Ordered Future-Phase Planning for Robot Brain Models / Xiaoyu Yang, Yafei Zhang, Wensheng Li 他
日本語で読む → - 論文VLAq-bio.QM
言語で生物学を制御する:細胞・オルガノイド・バイオボットに対するプロンプト条件付き介入のオフライン学習
視覚言語モデルの判定を唯一の報酬として、既存の実験アーカイブのみを用いたオフライン学習により、自然言語指示から生体(ゼノボット)への介入を対応付ける手法を実現した。
原題: Toward Controlling Biology with Language:Offline Learning of Prompt-Conditioned Interventions for Cells, Organoids, and Biobots / Nam H. Le, Douglas Blackiston, Michael Levin 他
日本語で読む → - 論文VLAロボティクス
離散フォーシング:連続デノイジングに離散ガイダンスを注入する少数ステップ行動エキスパート
VLAモデルにおいて、離散行動トークンで粗い行動構造を予測し、それを連続行動の精緻化のガイダンスとして用いるフローマッチング手法を提案。パラメータ数を抑えつつ高精度・高速推論を実現した。
原題: Discrete Forcing: Infusing Discrete Guidance into Continuous Denoising for Few-Step Action Experts / Jingbo Wang, Wenxuan Song, Wenhao Yu 他
日本語で読む → - 論文VLAロボティクス
視覚言語行動モデルへの普遍的敵対攻撃:ロボット操作における脆弱性の悪用
ロボットの視界に置くだけでタスク成功率を大幅に下げる最適化された表面テクスチャを持つ球体を提案し、VLAモデルの軌道計画・実行・制御を同時に妨害する攻撃を実機とシミュレーションで検証した。
原題: Exploiting Vulnerabilities: Universal Adversarial Attacks on Vision-Language-Action Models in Robotics / Songhua Yang, Ziyu Liu, Yuanwei Liu 他
日本語で読む → - 論文VLAロボティクス
STARS: 時空間ダイナミクスから人間-ロボット相互作用における社会的表現へ
社会的ロボットナビゲーションの場面理解を評価するVQAベンチマークSocialNav-SUBを提案し、最先端VLMが人間やルールベース手法に及ばないことを示した。
原題: STARS: From Spatiotemporal Dynamics to Social Representations in Human-Robot Interaction / Nathan Tsoi, Michael J. Munje, Tejas Oberoi 他
日本語で読む → - 論文VLAロボティクス
振り返りで前進:生成ロボットポリシーのための時間的検証
フローマッチングVLA向けに、直近の観測・行動履歴を要約する時間トークンを学び、追加の専門家デモなしでエネルギー検証器を対照的に訓練して、軌道整合性を考慮した行動チャンク選択を可能にする手法TeVを提案。
原題: Looking Back to Move Forward: Temporal Verification for Generative Robot Policies / Haoxuan Wang, Wayne Wu, Yan Yan 他
日本語で読む → - 論文VLAロボティクス
FineART: 両手マニピュレーションのための細粒度注釈付きロボット軌道データセットと視覚-言語-行動モデル
40,543エピソード・1,718時間・533,913サブタスクからなる密注釈付き両手操作データセットFineARTを構築し、次のサブタスクを自己予測するVLAモデルFineART-VLAを提案した。中間学習により長期的タスクの成功率が大幅に向上し、新ロボットへの少データ適応とゼロショット汎化も示した。
原題: FineART: Fine-grained Annotated Robotic Trajectory Dataset and Vision-Language-Action Model for Bimanual Manipulation / Jade Choghari, Pepijn Kooijmans, Mansi Agarwal 他
日本語で読む → - 論文VLAロボティクス
Video2STL: VLM生成の時間仕様をロボット学習に接地するフレームワーク
観測のみの動画からVLMで時間論理仕様(STL)を生成し、ロボット軌道で閾値を接地して強化学習の報酬に用いる手法。4つのマニピュレーションタスクで平均85.8%の成功率を達成。
原題: Video2STL: Grounding VLM-Generated Temporal Specifications for Robot Learning / Merve Atasever, Keyan Azbijari, Cagan Bakirci 他
日本語で読む → - 論文VLAロボティクス
トークン重要度を超えて:効率的な視覚-言語-行動推論のための空間スキャフォールドの保持
視覚トークンの空間的な広がりを保つことで、視覚-言語-行動モデルの推論を高速化する訓練不要のトークン枝刈り手法を提案。
原題: Beyond Token Importance: Preserving Spatial Scaffolds for Efficient Vision-Language-Action Inference / Jiayu Chen, Shuyong Gao, Jingkai Jia 他
日本語で読む → - 論文VLAロボティクス
EgoAlign: 人間とヒューマノイドのギャップを埋める長距離移動操作
一人称視点の人間デモを身体スケールと制御応答の違いを補正してヒューマノイドの全身制御用データに変換し、VLAモデルのファインチューニングと実機ゼロショット展開を実現した。
原題: EgoAlign: Bridging the Human-Humanoid Gap for Long-Range Loco-Manipulation / Yiming Jiang, Chen Jin, Chongyang Xu 他
日本語で読む → - 論文VLAロボティクス
PreferenceFlow: 人間介入によるフローマッチングロボット方策のテスト時ガイダンス
人間の介入とロボットの行動を比較して選好モデルを学習し、報酬なしで事前学習済みフローマッチング方策をテスト時に誘導する手法を提案。実機の精密挿入タスクで成功率を69%から90.5%に向上させた。
原題: PreferenceFlow: Test-Time Guidance of Flow-Matching Robot Policies from Human Interventions / Yiqi Tang, Diyuan Shi, Runze Li 他
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VLAロボティクス
予測的監督の設計がVLAポリシーの学習内容を左右する
VLAポリシーへの未来予測監督の入れ方が、学習される視覚表現と分布シフト下でのロバスト性をどう変えるかを比較検証した研究。
原題: Where Predictive Supervision Goes Shapes What VLA Policies Learn / Hanseul Kim, Jewon Yeom, Youngjoon Jeong 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VLAロボティクス
WayFinder: ゼロショット経由点生成と低レベル運動制御のための階層的視覚-言語-行動フレームワーク
大規模マルチモーダルモデルで高レベルな経由点をゼロショット生成し、軽量なオンボード制御と非同期に組み合わせることで、ファインチューニング不要でロボットナビゲーションの成功率を最大27.45%向上させた。
原題: WayFinder: Hierarchical Visual-Language-Action for Zero-Shot Waypoint Generation and Low-Level Kinematic Control / Timothy K Johnsen, Marco Levorato
日本語で読む → - 論文VLA画像認識
InsightMap: 身体性マルチモーダル推論のための構造化空間モデリング
トップダウンマップを空間メモリと行動予測の両方に使う枠組みを提案し、ナビゲーションや空間推論タスクで高い性能を達成した。
原題: InsightMap: Structured Spatial Modeling for Embodied Multimodal Reasoning / Hongpei Zheng, Hujun Yin
日本語で読む → - 論文VLAロボティクス
テスト時適応型視覚言語ナビゲーションのためのクレジット誘導方策改善
テスト時適応VLNにおいて、行動による観測遷移から符号付き意思決定クレジットを推定し、軽量な方策更新を提案・検証するCGPIを提案。
原題: Credit-Guided Policy Improvement for Test-time Adaptive Vision-Language Navigation / Yang Li, Sijia Zhang, Yihan Li 他
日本語で読む → - 論文VLAロボティクス
ロボット実行誤差下でのVLAの制御:自己補償とストレステスト
VLAポリシーがロボットの実行誤差をオンラインで自己補償する手法を提案し、シミュレーションベンチマークRoboStressと実機実験で有効性を示した。
原題: Taming VLAs under Robot Execution Errors: Self-Compensation and Stress Testing / Sohyun Lee, Yoonjae Baek, Jaesang Won 他
日本語で読む → - 論文VLAロボティクス
LexiconVLA: 未知タスク向けの再利用可能な原子行動コードブックの学習
視覚言語行動モデルが未知タスクで繰り返し現れる動作を再利用できるよう、原子行動をコードブック化して検索・適用する手法を提案し、未知タスクの成功率を向上させた。
原題: LexiconVLA: Learning Reusable Atomic Action Codebooks for Unseen Tasks / Zeming Wei, Jianheng Ye, Xinshuai Song 他
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VLA画像認識
SafeVantage: 視点認識型メモリによる信頼性の高い身体的意思決定
主張を支持する視点・カメラ姿勢・推定位置を保持する視点認識型メモリと能動的観測獲得を組み合わせ、支持・空間一貫性・網羅性からYes/No/Abstainを判断する身体的意思決定フレームワーク。
原題: SafeVantage: Vantage-Aware Memory for Reliable Embodied Decisions / Sean Hardesty Lewis, Zuyi Guo, Benwang Chen 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
CogWAM: イベント駆動型インターフェースによる意味認知と世界行動モデリングの整合
タスク推論と世界行動学習の間に持続的な意味状態を介した明示的なインターフェースを設け、進捗条件付きクエリで未来予測と行動生成を整合させる認知誘導型世界行動モデルを提案。
原題: CogWAM: Aligning Semantic Cognition with World Action Modeling via Event-Driven Interfaces / Sen Wang, Liu Liu, Xinjiang Wang 他
日本語で読む → - 論文VLA画像認識
Spatial-OPSD: ラベル不要の自己蒸留による空間推論の自己改善
深度や3D再構成などの知覚ツールから得られる空間事前情報を特権教師が与え、ラベルなしで学生モデルの空間推論を自己蒸留により反復改善するフレームワーク。
原題: Spatial-OPSD: Self-Improving Spatial Reasoning via Label-Free Self-Distillation / Zhenyu Liu, Zhangquan Chen, Keyi Chen 他
日本語で読む → - 論文VLAロボティクス
RoboHarness: シンプルなハーネスがVLAとワールドアクションモデルを凌駕する
LLMエージェントに視覚幾何学的な操作パネルを与えるロボットハーネスを提案し、VLAモデルを訓練せずにBEHAVIOR Challenge 2025で最先端VLAを上回る性能を達成した。
原題: RoboHarness: A Simple Harness Outperforms VLA and World Actions Models / Bince Qu, Wei Chen, Bo Zhang
日本語で読む → - 論文VLAロボティクス
Rho: 効率的に適応可能なVLAモデルの基盤
双腕マニピュレーション向けのオープンウェイトVLAモデル群「Rho」を提案し、3つの実機での少量データ適応と、15エピソード程度の修正フィードバックによるオンライン適応を実現した。
原題: Rho: A Foundation for Efficiently Adaptable VLA Models / Rho Team, Simran Bagaria, Daphne Chen 他
日本語で読む → - 論文VLA画像認識
Exemplar2VQA:マルチエージェントコーディングによる模範駆動型視覚質問応答生成フレームワーク
マルチエージェントコーディングにより、幾何学的ユーティリティを活用して大規模な空間QAデータを合成し、MLLMの空間知能を向上させるフレームワークを提案。
原題: Exemplar2VQA: A Scalable Exemplar-Driven Visual Question Answering Generation Framework via Multi-Agent Coding / Jiayu Ying, Qijian Tian, Ruijie Xu 他
日本語で読む →
PR・アフィリエイト広告
