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: 2026/8/5 / 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 →- 論文ロボット操作画像認識
Faster-WAM: ロバストな世界行動モデルのための効率的な推論時未来条件付け
世界行動モデル(WAM)の推論時における未来条件付けの重要性を示し、計算コストを抑えつつ未来表現を活用する効率的なフレームワークFaster-WAMを提案した。
原題: Faster-WAM: Efficient Inference-Time Future Conditioning for Robust World Action Models / Weiheng Zhao, Haoyi Jiang, Xin Shi 他
日本語で読む → - 論文アルゴリズム監査機械学習
欺瞞的なモデル提供者に対する操作耐性のある oblivious 監査
監査対象のモデルに問い合わせる際、どのデータが監査に使われるかを隠すことで、提供者が公平性指標を操作するのを困難にする新しい監査プロトコルを提案した。
原題: Manipulation-Proof Oblivious Audits against Deceptive Model Providers / Augustin Godinot, Sofiane Azogagh, Julien Ferry 他
日本語で読む → - 論文ワールドモデル/強化学習AI
WorldCycle: 長期的ビデオワールドモデルのための自己検証型強化学習
可逆なアクションサイクルを用いて、長期的な正確性を検証する自己教師あり強化学習フレームワークを提案し、ワールドモデルのドリフトを大幅に低減した。
原題: WorldCycle: Self-Verifiable Reinforcement Learning for Long-Horizon Video World Models / Bohai Gu, Yueyang Yuan, Taiyi Wu 他
日本語で読む → - 論文医用画像/異常検出画像認識
HexMIL: 階層的注意MILによるAI操作CTボリュームの事前説明可能な検出
CT画像のディープフェイクを検出する新しい手法HexMILを提案。ボリュームレベルのラベルのみで操作領域を特定でき、未見の生成モデルに対しても高い汎化性能を示す。
原題: HexMIL: Hierarchical Attention MIL for Ante-Hoc Explainable Detection of AI-Manipulated CT Volumes / Orazio Pontorno, Luca Guarnera, Zahid Akhtar 他
日本語で読む → - 論文エージェントシステム自然言語
EASy: 効率的なLLMベースのエージェントシステムを目指して
LLMベースのエージェントシステムの実行効率を向上させるため、強化学習を用いてタスク性能と計算コストを同時に最適化するフレームワークEASyを提案した。
原題: EASy: Towards Efficient LLM-Based Agentic System / Junnan Liu, Linhao Luo, Thuy-Trang Vu 他
日本語で読む → - 論文形式仕様変換AI
SCP-NL2TL: 自然言語から時相論理仕様への選択的適合予測と意味検証
自然言語の指示を形式仕様に変換する際、信頼できない翻訳を拒否する選択的翻訳フレームワークを提案。逆翻訳の忠実度と翻訳の分散を組み合わせたスコアで信頼性を評価し、適合予測で誤受理率を制御する。
原題: SCP-NL2TL: Selective Conformal Prediction with Semantic Verification for Natural Language to Temporal Logic Specifications / Yixuan Wang, Licheng Luo, Yu Fu 他
日本語で読む → - 論文3D視覚グラウンディング/自動運転/マルチセンサ画像認識
Talk2Sensors: センサ適応型物理的手がかりマッチングによる自動運転の3D視覚グラウンディング
カメラ・LiDAR・4Dレーダーのマルチセンサデータを用いた自動運転向け3D視覚グラウンディングのデータセットと、言語クエリに応じてセンサ情報を動的に統合するTransformerベースのフレームワークを提案した。
原題: Talk2Sensors: 3D Visual Grounding in Autonomous Driving via Sensor-Adaptive Physical Cue Matching / Runwei Guan, Di Tian, Ningwei Ouyang 他
日本語で読む → - 論文AIアライメントcs.CY
価値の進化的起源:AIアライメント、感覚、実存的リスクへの示唆
大規模言語モデル(LLM)の価値観の起源を生物の進化と比較し、LLMが自律的な目標や感覚を持たないことを論じ、AIアライメントの真の課題は暴走するAIの防止ではなく別の点にあると主張する。
原題: The Evolutionary Origin of Values: implications for AI alignment, sentience and existential risk / Francis Heylighen
日本語で読む → - 論文ナビゲーションAI
UniNav: 視覚ナビゲーションのための統合ワールド・アクション拡散モデル
画像ゴールの視覚ナビゲーションにおいて、将来の観測予測と軌道生成を単一の拡散プロセスで統合したモデルUniNavを提案。幾何認識カメラトークンとビデオのみのデータ学習により性能を向上させ、高速推論も可能にした。
原題: UniNav: A Unified World-Action Diffusion Model for Visual Navigation / Changqing Zhou, Yueru Luo, Zeyu Jiang 他
日本語で読む → - 論文画像生成画像認識
UniWorld-Design: ピクセル生成からレイヤー原生デザインへ
画像生成をピクセル単位ではなく意味的なRGBAレイヤー単位で行うフレームワークを提案。テキストから独立したRGBA素材を生成するT2RGBAと、完成画像をレイヤーに分解するI2Lの2モデルで構成され、編集や分解を指示可能にする。
原題: UniWorld-Design: From Pixel Generation to Layer-Native Design / Zongjian Li, Zhiyuan Yan, Chenxu Bai 他
日本語で読む → - 論文3D知覚画像認識
LiteMVS: 基盤モデル蒸留と専門家集約による効率的な多視点ステレオ
多視点ステレオに単眼のセマンティック・構造事前知識を注入し、軽量かつ高精度な深度推定を実現する手法を提案。
原題: LiteMVS: Efficient Multi-View Stereo with Foundation Distillation and Expert Aggregation / Tianbao Zhang, Zeyu Liu, Shuyu Wu 他
日本語で読む → - 論文両腕操作/エッジAI/量子化ロボティクス
8GB予算での両腕操作:エントリーレベルJetson上のゼロコピーセンシングと量子化ACT
エントリーレベルのJetson Orin Nano Super (8GB)上で、両腕操作ポリシーを実行するためのコストを評価し、ゼロコピーセンシングとTensorRT量子化により推論遅延を大幅に削減しつつタスク成功率を維持できることを示した。
原題: Bimanual Manipulation Within an 8 GB Budget: Zero-Copy Sensing and Quantized ACT on an Entry-Level Jetson / Ekansh Singh, Eva Samuel, Alessandra Reneau 他
日本語で読む → - 論文エージェントアーキテクチャロボティクス
ETA: 身体性タスクのための新しいエージェントパラダイム
ロボットのChatGPT的瞬間を目指し、プランナー・インターフェース・ワールドのループで構成される新しい身体性タスクエージェント(ETA)を提案し、オープンソース実装OpenETAを公開した。
原題: ETA: A New Agentic Paradigm for Embodied Tasks / Yitong Chen, Zezheng Huai, Sixian Li 他
日本語で読む → - 論文深度推定画像認識
XiDepth: 自己教師あり単眼深度推定のための軽量かつ効率的なネットワーク
XiNet演算子ブロックに基づく軽量アーキテクチャXiDepthを提案し、KITTIデータセットで0.8Mパラメータで最先端性能を達成、Raspberry Pi 4での実装でFLOPsと消費電力を大幅削減した。
原題: XiDepth: a Lightweight and Efficient Network for Self-supervised Monocular Depth Estimation / Elena Izzo, Riccardo Toniolo, Lamberto Ballan
日本語で読む → - 論文VLA/攻撃画像認識
DRIFT: フローマッチングVLAのノイズ除去軌道を敵対的パッチ攻撃で脱線させる
フローマッチング型の視覚言語行動モデルに対する敵対的攻撃手法を提案し、ロボットのグリッパーに置いた小さなパッチでほぼ全てのタスクを失敗させられることを示した。
原題: DRIFT: Derailing Denoising Trajectories of Flow-Matching VLAs with Adversarial Patch Attack / Hoseong Tae, Jong-Seok Lee
日本語で読む → - 論文時系列異常検知機械学習
TimeRLM: 再帰的言語モデルによる長文時系列の精密な異常位置特定
長文時系列データにおける異常の正確な位置特定を実現するため、再帰的言語モデル(RLM)を時系列に適用し、コードと視覚機能で信号を操作するTimeRLMを提案。合成ベンチマークAnomalyXLで既存手法を大幅に上回る性能を示した。
原題: TimeRLM: Recursive Language Models Enable Precise Anomaly Localization in Long-Context Time-Series / Nicolas Zumarraga, Lorenzo Steno, Ning Wang 他
日本語で読む → - 論文ソーシャルロボットロボティクス
子どもの包括的なウェルビーイング評価のためのソーシャルロボット設計:発達性言語障害と強制移住を支援するコミュニティからの洞察
発達性言語障害や強制移住の背景を持つ子どもを含む、多様なコミュニケーション課題を抱える子どものウェルビーイング評価を支援するソーシャルロボットの設計指針を、保護者や専門家とのフォーカスグループを通じて導出した。
原題: Designing Social Robots for Inclusive Child Wellbeing Assessment: Insights from Communities Supporting Developmental Language Disorder and Forced Migration / Fethiye Irmak Dogan, Yue Lou, Alva Markelius 他
日本語で読む → - 論文推論エンジンAI
PhyAI: エッジでのリアルタイム物理AI、クラウドでのスケーラブルなロールアウト
物理AIポリシーの推論を統一するエンジンPhyAIを構築し、エッジからクラウドまで同一ランタイムでVLAモデルや世界行動モデルを実行し、公式実装より1.40〜4.65倍の高速化を達成した。
原題: PhyAI: Real-Time Physical AI at the Edge, Scalable Rollouts in the Cloud / Chenghua Wang, Daliang Xu, Dongqi Cai 他
日本語で読む → - 論文VLA画像認識
SpatioLM: 視覚言語モデルにおける汎用物理空間知能の実現
視覚言語モデルに追加の3D入力や外部エンコーダを使わず、パラメータ効率的なモジュールと擬似深度・カメラ情報の教師信号で空間推論能力を強化し、汎用性能の低下を抑えつつ空間知能を向上させた。
原題: SpatioLM: Towards General Physical Spatial Intelligence in Vision-Language Models / Jing Wu, Jianhua Wu, Jiayi Guan 他
日本語で読む → - 論文検証/到達可能性ロボティクス
確率的到達可能動作検証:セットベース学習による視覚運動ポリシーの検証
視覚エンコーダを固定し、下流ポリシーとの低次元インターフェースにセット伝播を限定することで、視覚運動ポリシーの到達可能性解析を効率化し、セットベース学習で動作偏差を直接最適化して確率的到達可能半径を縮小する手法を提案。
原題: Probabilistic Reachable-Action Verification of Visuomotor Policies via Set-Based Training / Yanliang Huang, Zhuocheng Zhang, Peng Xie 他
日本語で読む → - 論文ロボット制御ロボティクス
行動チャンキングがロボット制御における行動クローニングの性能を向上させる理由
行動チャンキングの性能向上の理由を実験的に検証し、既存の仮説が不十分であることを示し、遅延ポリシーや暗黙のアンサンブル効果が重要であることを明らかにした。
原題: Why Does Action Chunking Improve Behavioral Cloning Performance in Robotic Control? / Filippo Lazzati, Kyle Stachowicz, William Chen 他
日本語で読む → - 論文ビデオ理解画像認識
PhyCheck: ビデオLLMにおける物理法則理解のための詳細な根拠に基づくデータセット
ビデオ中の事象が物理法則に従うかどうかを判定するデータセットPhyCheckを構築し、粗粒度・細粒度のサブセットと診断用サブセットを用いてVideo-LLMの物理理解を改善・評価した。
原題: PhyCheck: Fine-Grained Evidence-Grounded Dataset for Physical Law Understanding in Video-LLMs / Zhongjie Ba, Shengwang Xu, Peng Cheng 他
日本語で読む → - 論文マルチエージェント/帰属分析AI
CockpitHAT: 依存関係グラフ駆動の階層的帰属分析による具現化マルチエージェントコックピットの信頼性向上
LLMマルチエージェントシステムのプロセスレベルの失敗を、依存関係グラフとマルチチャネル証拠を用いて階層的に帰属分析するフレームワークCockpitHATを提案し、自動車コックピットなどの安全重要領域での信頼性を向上させた。
原題: CockpitHAT: Dependency-Graph-Driven Hierarchical Attribution for Embodied Multi-Agent Cockpits / Wei Wang, Shuanghe Liu, Zhu Zhuo 他
日本語で読む → - 論文VLA/操作ロボティクス
ChainVLA: 統一実行状態による長期的操作のためのビジョン・言語・行動クエリの連鎖
長期的な操作タスクにおいて、過去の行動の結果と現在の動作を連鎖させる新しいVLAポリシーを提案。進行状況コンテキストとモーションテールを統合し、高い成功率を達成。
原題: ChainVLA: Chaining Vision-Language-Action Queries through a Unified Execution State for Long-Horizon Manipulation / Yuzhi Huang, Weijue Bu, Ziyi Xiong 他
日本語で読む → - 論文機能安全ロボティクス
産業用人型ロボットの機能安全認証に向けて:フェイルパッシブのギャップと実現可能性調査
人型ロボットの安全認証における根本課題(電源遮断が危険を招く「フェイルパッシブのギャップ」)を特定し、外部安全チェーンを用いてその位置を特定し、Unitree G1での実証実験を行った。
原題: Toward Certified Functional Safety for Industrial Humanoid Robots: The Fail-Passive Gap and a Feasibility Study / Caiwu Ding, Tao Cui, Lingyun Wang 他
日本語で読む → - 論文セキュリティ/攻撃cs.CR
安全クリティカルな映像認識システムに対する高速物体除去攻撃
映像ベースの認識システムを欺くため、物体をリアルタイムに近い速度で除去する攻撃手法を提案し、交差点データで高い攻撃成功率と画質維持を実証した。
原題: Fast Object Removal Attacks on Safety-Critical Video-based Perception Systems / Mohammad Imtiaz Hasan, M Sabbir Salek, Nathan Jones 他
日本語で読む → - 論文人ロボット協調ロボティクス
選好最適化と動的運動プリミティブを組み合わせた適応型人ロボット協調塗装
人間のフィードバックに基づく選好最適化と動的運動プリミティブを統合し、ロボットが塗装作業中にリアルタイムで動作を適応させる協調フレームワークを提案した。実験により作業者の負担軽減と成果向上を確認した。
原題: Adaptive Human-Robot Collaborative Painting Combining Preference-Based Optimization and Dynamic Motion Primitives / C. Cella, M. Ristic, M. Faroni 他
日本語で読む → - 論文自動運転/シミュレーション画像認識
DecoupleGS: エンドツーエンド自動運転テストのためのインタラクティブ3Dガウススプラッティング
エンドツーエンド自動運転の検証用に、高忠実度の静的背景と操作可能な動的エージェントを分離した3Dガウススプラッティングフレームワークを提案し、リアルタイムでインタラクティブなクローズドループシミュレーションを実現した。
原題: DecoupleGS: Interactive 3D Gaussian Splatting for End-to-End Autonomous Driving Testing / Siying Li, Ying Ni, Jie Sun 他
日本語で読む → - 論文3D再構成画像認識
DerainSplat: スパースな雨天視点からのフィードフォワードによるクリーンな3Dガウススプラッティング
雨天の少数視点からクリーンな3Dシーンを再構成するフィードフォワード型フレームワークを提案し、天候要因の予測と整合性を利用して高品質な再構成を実現した。
原題: DerainSplat: Feed-Forward Clean 3D Gaussian Splatting from Sparse Rainy Views / Fuzhen Jiang, Changyue Shi, Chuxiao Yang 他
日本語で読む → - 論文手と物体のインタラクション合成画像認識
PhotoHOI: 単一RGB写真からの3D手と物体のインタラクション合成
単一のRGB写真と自然言語指示から、3Dの手と物体のインタラクションシーケンスを合成する新しい手法を提案。視覚言語モデルでタスクを解析し、接触と把握の事前知識を活用して、実写画像や未知の物体にも一般化する。
原題: PhotoHOI: Synthesizing 3D Hand-Object Interactions from a Single RGB Photograph / Zhenhao Zhang, Jiajun Zhang, Wei Min 他
日本語で読む →
PR・アフィリエイト広告
