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 → - 論文VLAロボティクス
RAVEL: フローベースVLAモデルのための非同期ローリング推論
フローベースVLAのVLMエンコードと多段拡散による遅延を、非同期ローリングバッファと軽量観測経路で削減し、低遅延な閉ループ制御を実現した。
原題: RAVEL: Asynchronous Rolling Inference for Flow-Based Vision-Language-Action Models / Yuhan Chen, Ke Yu, Pengfei Liu 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
NavJev: 行動中心の視覚圧縮と識別的行動意味記憶による効率的な視覚言語ナビゲーション
MLLMの逐次推論をやめ、候補行動を圧縮表現に変換して軽量な確率的行動選択を行うことで、視覚言語ナビゲーションの推論遅延を大幅に削減したフレームワーク。
原題: NavJev: Efficient Vision-Language Navigation via Action-Centric Visual Compression and Discriminative Action-Semantic Memory / Kai Sheng, Liuyi Wang, Jinlong Li 他
日本語で読む → - 論文VLAロボティクス
離散VLAモデルによるヒューマノイドの移動操作
ヒューマノイドの全身動作を部位ごとの離散トークンに分解し、言語モデルの語彙を拡張して学習・リアルタイム制御を可能にしたVLAモデルHolo-Mを提案。
原題: Humanoid Loco-Manipulation With Discrete VLA Model / Wenxin Shao, Siqi Chai, Kun Li 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
言語からタスクマップへ:タスクに関連する自由度を保ちながら意味的関係をコンパイルする
自然言語の操作指示を、型付きの意味-幾何インターフェースを通じてタスクマップに変換し、関係ごとの自由度を保ちつつRMPflowで制御する手法を提案した。
原題: From Language to Task Maps: Compiling Semantic Relations While Preserving Task-Relevant Freedom / Jaegyun Park, Jingwang Lee, Jungsoo Lee 他
日本語で読む → - 論文VLAロボティクス
TimelyDAgger: VLAポリシー改善のためのタイミング考慮型エキスパートクエリ
VLAポリシーの内部特徴を監視し、エキスパートの介入タイミングを適応的に調整することで、限られた介入予算でポリシー改善を効率化する手法を提案。
原題: TimelyDAgger: Timing-Aware Expert Querying for VLA Policy Improvement / Zhixuan Zhao, Peiyan Li, Enhao Zhang 他
日本語で読む → - 論文VLA画像認識
共同訓練か後で統合か?共有アクションインターフェースによるVLAエキスパートの統合
タスクごとに独立訓練したVLAエキスパートを、アクションインターフェースを共通化した上でLoRA更新と文脈誘導型スパースマージにより統合し、マルチタスク性能を向上させる手法を提案。
原題: Train Together or Merge Later? Unifying VLA Experts via a Shared Action Interface / Zhizhen Zhang, Yuxia Fu, Zijian Wang 他
日本語で読む → - 論文VLA画像認識
MAD-Guard: 閉じたマルチモーダル鑑識タスクにおける自己回帰生成と直接決定インターフェースの比較統制研究
マルチモーダル基盤モデルがトークン生成すべきか直接決定を出力すべきかを、閉じた鑑識タスクで統制比較し、二値直接ヘッドが遅延を2.6〜7.3倍削減しつつ較正誤差も改善することを示した。
原題: MAD-Guard: Controlled Study of Autoregressive Generation versus Direct Decision Interfaces for Closed Multimodal Forensic Tasks / Hao Chen
日本語で読む → - 論文VLA画像認識
SphMind: 360度カメラを用いた学習不要のVLMベース全方位空間推論フレームワーク
360度カメラの歪みや不連続性に対応するため、意味理解と幾何推論を分離し、球面調和空間グラフと推論時幾何接地でMLLMを再学習なしに全方位空間推論へ適応させる手法を提案。
原題: SphMind: Towards Robust, Training-Free VLM-based Spatial Reasoning with a 360 Camera / Shriram Damodaran, Soumyaratna Debnath, Cheston Tan 他
日本語で読む → - 論文VLAロボティクス
TAO-DA: 自律操作に向けた双腕協調マニピュレーションのためのデュアルアーム視覚言語行動モデル
共有VLMバックボーンに腕ごとに分離したエキスパート塔を組み合わせ、言語指示と視覚意味による二段階の意図ルーティングで双腕の干渉を解消するVLAモデルを提案。タスク進捗予測モジュールで協調スケジューリングも可能にした。
原題: TAO-DA: Towards Autonomous Operation--A Dual-Arm Vision-Language-Action Model for Coordinated Manipulation / Yongsheng Zhao, Han Gao, Baoping Cheng 他
日本語で読む → - 論文VLAナビゲーションロボティクス
InfraVLA: インフラカメラを活用した視覚言語行動ナビゲーションの拡張
倉庫や病院などに既設の監視カメラ映像をVLAナビゲーションモデルに統合し、ロボットの死角情報を活用して指示対象の発見や障害物回避の成功率を大幅に向上させた。
原題: InfraVLA: Extending Vision-Language-Action Navigation with Infrastructure Cameras / Lukas Vierling, Benjamin Ramtoula, Luke Robinson 他
日本語で読む → - 論文VLAAI
敵対的学習はマルチビューVLAの汎化を改善するか?ビュー崩壊の解明と緩和
マルチビューVLAに敵対的学習を適用すると、特定の視点変化には強くなる一方で「ビュー崩壊」と呼ばれる現象が起こり、手首視点に過度に依存することを明らかにし、ビュースワップ介入で緩和を試みた研究。
原題: Does Adversarial Training Improve Generalization in Multi-View VLAs? Revealing and Mitigating View Collapse / Futa Waseda, Shuhei Kurita, Isao Echizen
日本語で読む → - 論文VLAロボティクス
ReSync: 非同期ワールドアクションモデルにおける二つのクロックの再同期
未来の映像と行動を別々のスケジュールで生成する非同期推論において、行動と映像の進捗のずれを「コミットメント・エビデンスギャップ」として定式化し、その間隔内で計算を再配置するReSyncを提案。パラメータ変更なしで成功率を4.48ポイント改善。
原題: ReSync: Re-Aligning the Two Clocks of Asynchronous World-Action Models / Xi Lin, Feihong Zhang, Yulong Shi 他
日本語で読む → - 論文VLA画像認識
クエリ・アライメント・蒸留:効率的な視覚言語ナビゲーションのためのナビゲーション認識クロスモーダル相互作用
視覚言語ナビゲーション(VLN)において、ナビゲーション証拠を明示的に選択する教師モデルを構築し、そのクエリを蒸留することで、パラメータ数を93.65%削減しつつ性能をほぼ維持するコンパクトな生徒モデルを実現した。
原題: Query, Align, and Distill: Navigation-Aware Cross-Modal Interaction for Efficient Vision-and-Language Navigation / Zhihao Chen, Yiyuan Ge, Ziyang Wang 他
日本語で読む → - 論文VLAロボティクス
AnyStep-WAM: 予算整合蒸留と適応推論によるワールドアクションモデル
ワールドアクションモデルのノイズ除去ステップ数をタスクの難易度に応じて適応的に配分し、成功率を維持しつつ計算量を最大85%削減するフレームワークを提案。
原題: AnyStep-WAM: Budget-Aligned Distillation and Adaptive Inference for World Action Models / Rui Wang, Xiangyu Wang, Donglin Yang 他
日本語で読む → - 論文VLAロボティクス
DeltaWAM: 変化中心の視覚予測による効率的なWorld-Actionモデル
連続フレーム間の変化を表すコンパクトなdeltaトークンで未来を予測するWorld-Actionモデルを提案し、LIBEROで92.8%の成功率を達成した。
原題: DeltaWAM: Change-Centric Visual Foresight via Delta Tokens for an Efficient World-Action Model / Tianyun Jiang, Wenrui Bao, Bingxin Xu 他
日本語で読む → - 論文VLA画像認識
動画タスクを時空間アナロジーで統合するViGeo
画像分野に限られていた視覚的アナロジーによる文脈内学習を動画領域に拡張し、時空間キャンバス補完によって多様な動画タスクを学習なしで統合・汎化するフレームワークViGeoを提案。
原題: Video, Ergo Genero: Unifying Video Tasks via Spatiotemporal Analogy / Chia-Hsiang Kao, Belinda Zeng, Bharath Hariharan 他
日本語で読む → - 論文VLAロボティクス
SLIP-VLA: 視覚言語行動モデルのための単一ステップ潜在想像による方策学習
VLAモデルに1回のデノイズ更新で未来の潜在表現を生成する「単一ステップ潜在想像」を導入し、幾何・意味特徴との整合と行動条件付き世界モデルで未来を考慮した行動予測を効率化した手法。
原題: SLIP-VLA: Single-Step Latent Imagination for Policy Learning in Vision-Language-Action Models / Tianfu Li, Haoxuan Xu, Wenbo Chen 他
日本語で読む → - 論文VLA画像認識
全方位画像を用いたエピソード記憶型身体性質問応答のための情報的な視点選択
全方位画像をキューブマップ展開して視点を選び、質問に関連する情報を効率的に集めて自由形式の質問に答える手法を提案した。
原題: Informative Viewpoint Selection for Episodic-Memory Embodied Question Answering using Omnidirectional Images / Kaname Kitamura, Asako Kanezaki
日本語で読む → - 論文VLAロボティクス
ActionGround: 凍結VLAポリシーの学習不要な実行時リファインメント
学習済みVLAポリシーを再学習せずに包み込み、記号的なフェーズ認識と慣性重み付き運動方程式補正で制御ステップを実行時に修正する手法を提案。
原題: ActionGround: Training-Free Runtime Refinement of Frozen VLA Policies / Namai Chandra, Madhur Thareja, Shriram Damodaran 他
日本語で読む → - 論文VLAロボティクス
凍結生成ロボット方策のオンライン適応のための主舵取り部分空間
凍結した拡散・フローマッチング方策の初期ノイズを制御する低次元部分空間を有限差分応答から構築し、強化学習で効率的にオンライン適応させる手法を提案。
原題: Principal Steering Subspaces for Online Adaptation of Frozen Generative Robot Policies / Jialeng Ni, Nathan Zhao, Kunpeng Song
日本語で読む → - 論文VLAロボティクス
非IIDマルチロボットマニピュレーションのための連合部分空間誘導型視覚-言語-行動ポリシー蒸留
複数ロボットが非IID環境で連合学習する際に、低ランク部分空間と行動分布の蒸留、および互換性に基づくクラスタリングで表現ドリフトを抑え、マニピュレーションポリシーの知識転移を改善する手法を提案。
原題: Federated Subspace Guided Vision-Language-Action Policy Distillation for Non-IID Multi-Robot Manipulation / Biprodip Pal, Kaushik Roy, Yanming Zhu 他
日本語で読む → - 論文VLAロボティクス
RoboFoundry:自己学習型身体性エージェントのためのシステム・アズ・ポリシー進化
エージェントの支援システム全体を一つのポリシーとして捉え、実行経験を検証済みのシステム更新に変換して自己進化させる身体性エージェントフレームワークを提案し、EmbodiedBenchで最先端性能を達成した。
原題: RoboFoundry: System-as-Policy Evolution for Self-Learning Embodied Agents / Jingsong Liang, Shuhao Liao, Shizhe Zhang 他
日本語で読む → - 論文VLA機械学習
SAMBAR: 双対変数と選択的アンカリングによるVision-Language-Actionモデルの継続学習
過去タスクのデモなしでVLAモデルをファインチューニングする際の破滅的忘却を防ぐため、制約付き最適化と乗数法を用いて重要パラメータを選択的に固定する継続学習手法を提案。
原題: SAMBAR: Selective Anchoring via Method of Multipliers for Balanced Knowledge Acquisition and Retention in Vision-Language-Action Models / Aayushi Shrivastava, Xunlan Zhou, Hongrui Zhao 他
日本語で読む → - 論文VLAロボティクス
FINE: 未来情報を活用したナビゲーション符号化によるデータ効率的な視覚言語ナビゲーション
既存の実演軌道から未来の観測情報を補助監督として抽出し、視覚言語ナビゲーションのデータ効率を高める手法を提案。
原題: FINE: Future-Informed Navigation Encoding for Data-Efficient Vision-Language Navigation / Khang H. Nguyen, Hoang Pham Quang Nguyen, Ha Phuong Nguyen 他
日本語で読む → - 論文VLAロボティクス
CAPEX: 経験適応型推論による基盤モデル行動の展開可能なロボットポリシーへの効率的蒸留
マルチモーダル基盤モデルを自律的な実演者として使い、過去の実行経験に応じて再計画の頻度を適応させることで、低コストでロボットポリシー学習用データを収集するフレームワークCAPEXを提案した。
原題: CAPEX: Efficiently Distilling Foundation Model Behavior into Deployable Robot Policies through Experience-Adaptive Reasoning / Shivam Aarya, Zhang Xi-Jia, Chengyue Huang 他
日本語で読む →
PR・アフィリエイト広告
