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: 2026/9/29 / 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
LIBERO-MAX:世界が変化したときロボット政策は適応するか?
タスク実行中に環境変化が起きた際のロボット政策の頑健性を評価する8,000ペアのベンチマークLIBERO-MAXを提案し、14のVLA政策が11.0〜25.7ポイントの成功率低下を示すことを明らかにした。
原題: LIBERO-MAX: Do Robot Policies Adapt When the World Changes? / Yunbei Zhang, Zijian Jin, Yuanzhe Liu 他
日本語で読む → - 論文VLAロボティクス
EgoHumanoid-V2: 全身協調ロコマニピュレーションのための人間からヒューマノイドへのスキル転移
一人称視点の人間のデモデータから、全身協調を保ったままロコマニピュレーションスキルをヒューマノイドへ直接転移する枠組みを提案し、実機4タスクでゼロショット転移を実現した。
原題: EgoHumanoid-V2: Human-to-Humanoid Transfer of Coordinated Whole-Body Skills for Loco-Manipulation / Jin Chen, Yiming Jiang, Chongyang Xu 他
日本語で読む → - 論文VLAロボティクス
CrossBFM: ヒューマノイド間で共有される潜在行動空間の蒸留
リターゲティングを利用して、複数のヒューマノイドに共通の潜在行動空間を1GPU時間未満で蒸留し、10GPU時間の追従学習で全身制御を実現する手法を提案。
原題: CrossBFM: Distilling a Shared Latent Behavior Space Across Humanoid Embodiments / Tan-Dzung Do, Tuan Dat Phuong, Nico Bohlinger 他
日本語で読む → - 論文VLAロボティクス
強化学習ファインチューニングによる協調マルチエージェント視覚言語行動モデル
事前学習済みVLAを3段階の強化学習ファインチューニングでマルチロボット協調に適応させ、初期化対応データ収集・オフライン信用フィルタリング・潜在空間オンラインRLにより成功率を大幅に向上させた。
原題: Cooperative Multi-Agent Vision-Language-Action Models via Reinforced Fine Tuning / Ruixiao Xu, Wong Lik Hang Kenny, Zhiqian Liu 他
日本語で読む → - 論文VLAロボティクス
Spotter: 身体性モデルを主導させ、VLMに内省させる
身体性モデルが連続実行を主導し、VLMが並行して監視・エラー検出時のみ介入して内省・修正する枠組みを提案し、RoboCasaやRoboTwin 2.0で成功率を改善した。
原題: Spotter: Let the Embodied Model Lead, and the VLM Reflect for It / Long Li, Qichao Zhao, Yue Yang 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
非同期分散アライメントによるリアクティブなリアルタイムフローポリシー
VLAの非同期実行で生じる行動分布のずれを、フローフィールド蒸留と提案・解決機構で補正し、リアルタイム性と反応性を両立させる手法を提案。
原題: Reactive Real-Time Flow Policies via Asynchronous Distribution Alignment / Moritz Zoellner, Reece O'Mahoney, Ioannis Havoutis 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
BIND: 3Dロボット動作を2D画像特徴に結びつける新表現
カメラ幾何学を用いて3D動作候補を各視点の2D画像特徴に投影・スコアリングすることで、データ効率と視点・物体位置の変化への頑健性を高めた視覚運動ポリシーを提案。
原題: BIND: Binding 3D Robot Actions to 2D Image Features / Cameron Smith, Arsh Tangri, Vitor Guizilini 他
日本語で読む → - 論文VLAロボティクス
ProAct-VLM: 継続的知覚フィードバックによる失敗前の視覚言語タスク再計画
VLMをリアルタイム知覚フィードバックループに組み込み、環境変化を検知した時点で失敗前に再計画する適応型タスク計画フレームワークを提案。
原題: ProAct-VLM: Pre-Failure Vision-Language Task Replanning with Continuous Perception Feedback / Ahmed Nader Ahmed, Omar Moured, Mughni Irfan Mohammed Abdul 他
日本語で読む → - 論文VLAロボティクス
無限の未来から一つを実現:事前学習済み世界モデルをロボット行動へ変換
凍結した動画世界モデルの上に60Mパラメータの小型モデルを載せ、タスクに合う未来を選んで行動を読み出すことで、単一GPUで学習できリアルタイム制御を可能にした。
原題: One from Infinity: Actualizing Futures from Pretrained World Models into Robot Actions / Bang Du, Yichen Xie, Shuqi Zhao 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
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
速いだけでは不十分?ベンチマークのバグと設計上の制約が視覚言語行動アクセラレーションの評価を歪める
VLAポリシーの高速化手法を評価するシミュレーションベンチマークに潜むバグと設計上の制約を監査し、22件のバグと4件の制約を特定して、修正が手法の順位を逆転させうることを示した。
原題: Faster and Better? Benchmark Bugs and Design Limitations Distort the Evaluation of Vision-Language-Action Acceleration / Qiwei Chen, Kaijun Zhou, Nuohui Shi 他
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
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
ドメイン不変潜在先読みによるVLAモデルの偽相関の解消
視覚言語行動モデルが視覚分布シフトで脆くなる原因である偽相関を、ドメイン変換軌道から学んだドメイン不変の未来潜在表現で方策を監督することで軽減するDILLを提案し、LIBERO-Plusで平均成功率69.1%を達成した。
原題: Disentangling Spurious Correlations in Vision-Language-Action Models via Predicting Domain-Invariant Latent Lookahead / Junghyun Kim, Ngseo Kim, ChungWoo Lee 他
日本語で読む → - 論文VLAロボティクス
CoRe-VLA: カメラシフト下での視点間協調を維持するVLAフレームワーク
カメラ視点がずれてもVLAの性能を保つため、シーン点群を再構成して学習時視点の画像を再描画するプラグアンドプレイ手法を提案。
原題: CoRe-VLA: Preserving Cross-View Coordination in VLAs under Camera Shifts / Tianhang Pan, Xuanhao Wang, Yiwen Pang 他
日本語で読む → - 論文VLA画像認識
GaugeVLM: 計測された幾何学的介入による空間的監督の構造化
3Dシーンで物体やカメラを操作し、空間関係の変化量を計測して視覚言語モデルを訓練する手法を提案。複数の空間推論ベンチマークで性能を大幅に改善した。
原題: GaugeVLM: Structuring Spatial Supervision with Measured Geometric Interventions / Hongbo Wang, Zihan Lin, Wenkui Yang 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
再計画ではなく修正:閉ループWorld-Actionモデルのための修正可能な視覚プラン
予測した視覚的未来を行動条件として保持し、実行フィードバック後に学習済みの修正ブリッジで中間状態から継続を適応させるRTPを提案。RoboMMEとRMBenchで高い成功率を示した。
原題: Revision, Not Restart: Revisable Visual Plans for Closed-Loop World-Action Models / Pengyiang Liu, Junbo Niu, Wenhao Zheng 他
日本語で読む → - 論文VLAロボティクス
DexRoam: 一人称全身人間デモンストレーションからの移動型両腕巧緻マニピュレーション学習
VRヘッドセットと頭部搭載ステレオカメラだけで全身の人間デモを収集し、身体・動作意味・時間の3段階アライメントでロボット動作空間に変換することで、移動しながらの両腕巧緻操作をVLAポリシーで学習可能にした。
原題: DexRoam: Learning Mobile Bimanual Dexterous Manipulation from Egocentric Whole-Body Human Demonstrations / Rui Zhou, Yibo Yuan, Junkai Zhao 他
日本語で読む → - 論文VLA画像認識
テキスト・視覚相乗トークンキャッシュ:効率的なVLA推論のための学習不要フレームワーク
VLAモデルの推論を高速化するため、テキストと視覚の相乗効果を利用して注意ヘッドを選別し、キャッシュ再利用層を選択する学習不要のトークンキャッシュ手法を提案。
原題: Text-Vision Synergistic Token Caching: A Training-Free Framework for Efficient Vision-Language-Action Inference / Qianer Li, Chengjie Zhang, Jingwen Chen 他
日本語で読む → - 論文VLAロボティクス
WAM-OPD: オンポリシー蒸留によるワールドアクションモデルの高性能化
事前学習済みワールドアクションモデルを、環境ロールアウトを繰り返さずにオンポリシー蒸留で専門タスクに適応させる手法WAM-OPDを提案。
原題: WAM-OPD: Sharpening World Action Models via On-Policy Distillation / Panjun Liu, Xiaohan Lei, Shiqi Zhang 他
日本語で読む → - 論文VLAロボティクス
RoboICL: GPT-6 Astraによる身体性を備えたインコンテキスト学習
ロボット制御のためのインコンテキスト学習フレームワークRoboICLを提案し、GPT-6 Astraのゼロショット性能を大幅に向上させた。
原題: RoboICL: Embodied In-Context Learning with GPT-6 Astra / Fangcheng Liu, Yeqing Shen, Anda Cheng 他
日本語で読む → - 論文VLAロボティクス
Uni-VLaT:ヒューマノイドの移動操作のためのVLAポリシーへの全身触覚適応
全身触覚を視覚言語行動ポリシーに統合し、未来の触覚・固有感覚・視覚表現を予測する補助タスクで学習することで、接触を伴う移動操作タスクの成功率を大幅に向上させた。
原題: Uni-VLaT: Whole-Body Tactile Adaptation of VLA Policies for Humanoid Loco-Manipulation / Zihao Wang, Shutong Liu, Siqi Zheng 他
日本語で読む → - 論文VLAロボティクス
RoboIRGBench:視覚言語行動モデルにおける暗黙的指示対象接地のベンチマーク
ロボット操作における視覚言語行動モデルが、指示に明示されない暗黙的な対象・数量・関係を文脈から推論する能力を評価するベンチマークRoboIRG-Benchを提案し、既存モデルに顕著な性能低下があることを示した。
原題: RoboIRGBench: Benchmarking Implicit Referential Grounding in Vision-Language-Action Models / Aernaer Akelijiang, Jiannan Li, Zhineng Chen 他
日本語で読む → - 論文VLAロボティクス
信頼性を考慮したスパース経路記憶による往復視覚言語ナビゲーション
往復視覚言語ナビゲーションにおいて、行きの経路を幾何アンカーとして記録し、信頼性に基づいて逆順に参照することで帰還を実現する手法を提案し、シミュレーションで有効性を示した。
原題: Reliability-Aware Sparse Route Memory for Round-Trip Vision-Language Navigation / Bojun Long, Lingfan Bao, Tianhu Peng 他
日本語で読む →
PR・アフィリエイト広告
