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: 2026/9/28 / 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画像認識
見えなくなっても、そこにある:大規模視覚言語モデルにおける圧縮起因リスクの露呈
視覚トークン圧縮が引き起こす敵対的失敗を「圧縮特異的失敗」として定義し、それを誘発する攻撃手法CIRAを提案した研究。
原題: Still There, No Longer Seen: Exposing Compression-Induced Risk in Large Vision-Language Models / Qiankun Li, Yuechen Zhang, Bowen Chen 他
日本語で読む → - 論文VLAロボティクス
EdgeVLN: 実行時認識型の展開可能な量子化視覚言語ナビゲーションモデル
メモリ・電力制約のあるロボットエッジデバイス向けに、量子化した視覚言語ナビゲーションモデルと軽量な停止判定モジュールを組み合わせ、Jetson上でリアルタイム動作を実現した。
原題: EdgeVLN: Runtime-Aware Deployment Ready Quantized Vision Language Navigation Model / Rithvik Jonna, Man Namgung, Aakash Gurram 他
日本語で読む → - 論文VLAロボティクス
記憶の置き場所:記憶拡張VLAのためのオブジェクト台帳
短期知覚記憶はポリシー内に、長期物体記憶は外部の読み取り可能な台帳に置くという分割を実現し、単一のファインチューニング済みポリシーでRoboMMEの4スイート平均最高精度を達成した。
原題: Where Memory Belongs: Ledger, an Object Ledger for Memory-Augmented VLAs / Tanguy Dieudonné, Jack B. Jedlicki, Heng Yang
日本語で読む → - 論文VLA画像認識
統一軌道マッチング方策最適化:多様なT2I生成とVLA汎化
拡散・フローポリシーの事後学習において、報酬最大化ではなく軌道分布マッチングを行う統一RLフレームワークUni-TMPOを提案し、T2I生成の多様性とVLAのタスク・シーン汎化を両立させた。
原題: Unified Trajectory Matching Policy Optimization: Diverse T2I Generation and VLA Generalization / Zhiyuan Ma, Jiaming Li, Lingzhen Li 他
日本語で読む → - 論文VLA機械学習
三モーダル整合性誘導フロートランスフォーマーによる効率的な視覚-言語-行動ポリシー学習
視覚・言語・行動の三モーダル整合性を明示的に強制する損失を導入し、フローマッチング目的で推論を高速化したVLAモデルAGFTを提案。ベンチマークで成功率向上と低遅延を実現。
原題: Alignment-Guided Flow Transformer for Efficient Vision-Language-Action Policy Learning / Shengchao Hu, Peng Wang, Qiyang Zhou 他
日本語で読む → - 論文VLAロボティクス
FutureDuet: 未来予測監督における観測アクセスの分離
ロボットの行動生成において、メインカメラと手首カメラで異なる未来予測目標を与えることで、精密な操作タスクの成功率を向上させた研究。
原題: FutureDuet: Decoupling Observation Access from Future Supervision in World Action Models / Jie Wu, Yuzhi Huang, Junqi Liu 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
検索関連性を超えて:視覚言語運転のためのシーン接地型リスク含意
運転シーンの知覚事実から知識グラフとSWRL推論でリスク関係を導出し、VLMと拡散プランナーの判断を条件付けることで、検索ベースの安全知識より計画安全性を向上させた。
原題: Beyond Retrieval Relevance: Scene-Grounded Risk Entailment for Vision-Language Driving / Jiaxin Liu, Ruilin Yu, Liang Peng 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
StructRL: 長期的視覚-言語-行動タスクのためのオンライン構造化強化学習
長期的なロボット操作タスクを検証可能なサブタスクに分解し、前提条件が満たされた段階で中間報酬を与えるオンライン強化学習フレームワークを提案。VLAモデルのポストトレーニング性能を向上させる。
原題: StructRL: Online Structured Reinforcement Learning for Long-Horizon Vision-Language-Action Tasks / Ziyi Yin, Sangmin Woo, Kang Zhou 他
日本語で読む → - 論文VLAロボティクス
ロボットのインコンテキスト学習:手法と応用
ロボットのインコンテキスト学習(ICL)に関する文献レビューであり、文脈条件付き方策、幾何学的実演転移、世界モデルベース制御、スキル・エージェントベース実行の4つのインターフェースに分類し、転移の前提や評価手法を整理する。
原題: In-Context Learning for Robots: Methods and Applications / Haojian Huang, Zexi Li, Junhao Guo 他
日本語で読む → - 論文VLAcs.NI
エッジ支援マルチビュー測位のためのタスク指向通信
UAV/UGVの視覚ベース測位を、通信状況に応じてオフロード判断・送信ビュー選択・意味レート制御を統合的に行うタスク指向通信フレームワークで高精度化した研究。
原題: Task-Oriented Communications for Edge-Assisted Multi-View Localization / Zhengru Fang, Huanhuan Lou, Senkang Hu 他
日本語で読む → - 論文VLA画像認識
ActionUNet: 効率的なマルチスケール微調整によるVLAモデルのロバスト性向上
事前学習済みVLAモデルに軽量な時間的U-Netと連続行動デコーダを組み込み、少ない計算コストでマルチスケールの時間構造を融合し、動作の滑らかさとロバスト性を高める微調整フレームワークを提案。
原題: ActionUNet: Improving Robustness of VLA Models with Efficient Multi-scale Fine-tuning / Di Zhu, Ziheng Yan, Fang Wan
日本語で読む → - 論文VLA/連合学習ロボティクス
RoboFL: 世界行動モデルのための連合エキスパートアセンブリ
各クライアントが訓練したLoRAアダプタをサーバー側MoEのエキスパートとして組み込み、ルーティングとエキスパートを協調学習する連合学習フレームワークを提案。実機Frankaで集中学習を12.23%上回り、通信量を最大86.81%削減した。
原題: RoboFL: Federated Expert Assembly for World Action Models / Rongyu Zhang, Ruizhi Fan, Yunfan Lou 他
日本語で読む → - 論文VLAロボティクス
視覚中断下での行動を視覚言語行動モデルで学習する
カメラ映像が途切れてもロボットが作業を続けられるよう、視覚言語行動モデルを訓練し、推論時にオプティカルフローや世界モデルで欠損視覚を補完する手法MINTを提案し、ベンチマークMAIL-Benchで評価した。
原題: Learning to Act under Visual Interruptions with Vision-Language-Action Models / Mingle Jiang, Rui Xu, Yunke Wang 他
日本語で読む → - 論文VLAロボティクス
捨てた行動を再利用してロボット政策を高速化するAction Upcycling
行動チャンクの未使用部分を再利用し、速度が滑らかな範囲で実行時間を延ばすことで、追加学習やモデル内部情報なしに政策呼び出しを1.2〜1.7倍削減する手法を提案。
原題: Don't Throw Away the Tail: Action Upcycling for Policy Acceleration / Taesung Kwon, Jangho Park, Sunwoo Park 他
日本語で読む → - 論文VLAロボティクス
Vision-Language-Actionモデル向け分位点ヘッド
VLAモデルの行動ヘッドとして、回帰とフローマッチングを統一的に扱う分位点目的を導入し、1回の順伝播で分位点を予測するQuantile Headを提案。LIBERO系ベンチマークと実機タスクで成功率と効率を改善した。
原題: Quantile Head for Vision-Language-Action Models / Xuan Wang, Yinan Wu, Haoran Duan 他
日本語で読む → - 論文VLA機械学習
随伴ガイダンスフロー:VLAポリシーのための償却型クリティックガイダンス
VLAポリシーの生成をクリティックで誘導する際、最適制御の随伴変数を用いて軽量ガイダンスネットワークに償却学習させ、推論時はクリティック不要で高速・省メモリに高価値行動を生成する手法を提案。
原題: Adjoint Guidance Flow: Amortized Critic Guidance for VLA Policies / Jeongsol Kim, Youngjun Jun, Kyumin Choi 他
日本語で読む → - 論文VLAロボティクス
空の記憶:マルチエージェント記憶集約による低高度質問応答
分散したUAVの記憶を地上サーバで集約し、長期間の観測に関する質問に答える低高度質問応答(LAQA)を研究。記憶の価値を評価する生成敵対的試験(GAE)を提案し、通信制約下で記憶品質を最大化するMemCenフレームワークを開発した。
原題: Memory in the Sky: Low-Altitude Question Answering with Multi-Agent Memory Aggregation / Chengyang Li, Yujie Wan, Shuai Wang 他
日本語で読む → - 論文VLA画像認識
世界行動モデルの汎化性能を決める要因とは?推論時の未来モデリングに関する実証研究
世界行動モデル(WAM)の汎化性能を環境変化・データ効率・タスク汎化の3軸で評価し、未来表現の条件付けが重要であることを示すとともに、未来生成を1回の順伝播に簡略化したSimple-WAMを提案した。
原題: What Makes World Action Models Generalize? An Empirical Study of Test-Time Future Modeling / Renping Zhou, Zanlin Ni, Zihao Fan 他
日本語で読む → - 論文VLAロボティクス
WB-WAM:ヒューマノイド移動操作のための異種全身・手事前学習
身体・ルート・巧みな手の動作を統合した行動空間で動画と行動を事前学習し、人間の動作データを活用してヒューマノイドの移動操作をデータ効率的に学習する手法を提案。
原題: WB-WAM: Heterogeneous Body-Hand Pre-training for Humanoid Loco-Manipulation / Chuan Qin, Shaoting Zhu, Siyuan Luo 他
日本語で読む → - 論文VLAロボティクス
空間グラフティング:フローマッチングロボットポリシーのための3D特徴の接地
凍結した3D再構成特徴をロボット相対のメートル幾何に結びつけ、クロスアテンションでフローマッチング行動エキスパートに注入する軽量モジュールを提案。複数のVLA/WAMや実機で汎用的に性能を向上させた。
原題: Spatial Grafting: Grounding 3D Features for Flow-Matching Robot Policies / Dingsheng Liu, Yangzheng Wu, Mahboubeh Asadi 他
日本語で読む → - 論文VLAロボティクス
適応的中间状態による効率的なWorld Action Model推論
World Action Modelの推論を、軌道リマッピング・観測リバインディング・残差リスケーリングで高速化する学習不要フレームワークを提案。
原題: Efficient World Action Model Inference with Adaptive Intermediate States / Zhinnan Liu, Haozhi Han, Ruge Zhang 他
日本語で読む → - 論文VLAロボティクス
FailPatch: 視覚言語行動モデルのための失敗残差パッチング
VLA方策の失敗しやすい状態を検出し、凍結した方策の隠れ表現に残差エキスパートを注入して成功率を改善する手法を提案。
原題: FailPatch: Failure Residual Patching for Vision-Language-Action Models / Peng Yu, Jiacheng Wang, Ziheng Zhang 他
日本語で読む → - 論文VLAロボティクス
自己進化するコーディングエージェント:デジタルプログラムから物理世界の知能へ
タスクの状態と実行をコードとして表現する「Physical Coding」を提案し、知覚・計画・制御ツールを呼び出して外部フィードバックから自己修正するエージェントHexaAnythingを構築した。RoboCasa365でVLAを上回る性能を示した。
原題: Self-Evolving Coding Agents: From Digital Programs to Physical-World Intelligence / Hongcheng Gao, Jingjing Zhou, Zelin Zheng 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 → - 論文VLA画像認識
PIVOT: マルチターンVLMエージェントのためのピボット認識型オンポリシー自己蒸留
マルチターンVLMエージェントのRL訓練において、失敗の起点となる「ピボット」ステップを内部化して特定・状態復元するフレームワークを提案し、環境ロールバックなしで性能を向上させた。
原題: PIVOT: Pivot-Aware On Policy Self Distillation for Multi-Turn VLM Agents / Jiazhou Zhou, Hu Zhou, Yucheng Chen 他
日本語で読む → - 論文VLA機械学習
VLA強化学習における低ランク構造の解明
強化学習がフローベースVLAモデルのパラメータ更新を低ランク化し、特にTimestep Modulesに集中することを発見し、その役割と活用法を明らかにした。
原題: The Low-Rank Structure of VLA Reinforcement Learning / Minjae Oh, Yoonah Park, Jongwon Lim 他
日本語で読む → - 論文VLAロボティクス
フローマッチングにおける条件付きアニーリングによる因果的行動トークン化の再考
フローマッチングを段階的にアニーリングして因果構造を持つ行動トークンを抽出するCATokを提案し、VLAモデルの再構成精度・推論効率・タスク成功率を向上させた。
原題: Rethinking Causal Action Tokenization with Conditional Annealing in Flow Matching / Chenyu Zhang, Yuhang Cao, Daru Du 他
日本語で読む → - 論文VLAロボティクス
VLAモデルの内部表現における自然状態予測精度が制御された応答性の弱さを隠す可能性
VLAモデルの内部表現から物体状態を予測する際、自然な観測での高精度が必ずしも制御された状態変化への応答性を意味しないことを示し、予測精度・応答性・文脈安定性を分離して評価する枠組みを提案した。
原題: Natural State-Prediction Accuracy can Hide Weak Controlled Responsiveness in VLA Readouts / Hyungjoon Kim, Wonbin Son, Mi Young Lee 他
日本語で読む →
PR・アフィリエイト広告
