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: 2026/9/23 / 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
EmbodiedSWE:長期的器用ロボティクスのためのコーディングエージェント
コーディングエージェントが長期的・器用なロボットタスクを解き、その解を多様な軌道に拡張してVLAを訓練し、実機タスクまで完了できることを示した研究。
原題: EmbodiedSWE: Coding Agents for Long Horizon Dexterous Robotics / Haoxiang You, Zeyu Shen, Yilang Liu 他
日本語で読む → - 論文VLA画像認識
見た目は同じでも答えが変わる:堅牢な視覚言語推論のためのフリップ方向ステアリング
視覚言語モデルが画像の微妙な変化で答えを変えてしまう問題に対し、学習不要の推論時ステアリング手法FlipDirを提案し、元の予測を回復しつつ安定な予測を保持する。
原題: Looks the Same, Answers Differently: Flip-Direction Steering for Robust Vision-Language Reasoning / Yeonsung Jung, Joonhyun Jeong, Hoang Pham 他
日本語で読む → - 論文VLAロボティクス
不確実性ゲート付き探索ノイズがフローマッチングVLAポリシーのオンラインRL微調整におけるタスク崩壊を抑制する
フローマッチングVLAポリシーのオンライン強化学習微調整で生じる「タスク崩壊」を、タスク非依存の新規性・能力信号に基づく不確実性ゲート付き探索ノイズ制御により抑制できることを示した。
原題: Uncertainty-Gated Exploration Noise Suppresses Task Collapse in Online RL Fine-Tuning of a Flow-Matching Vision-Language-Action Policy / Mehmet Turan Yardımcı, Yunus Emre Çoğurcu
日本語で読む → - 論文VLAロボティクス
TANDEM: 必要時デモンストレーションを用いたタスク・動作計画による視覚言語行動モデルの効率的ファインチューニング
タスク・動作計画(TAMP)と必要な時だけ人間が遠隔操作する手法を組み合わせ、長期的なマニピュレーションタスクのデモンストレーションを効率的に収集し、視覚言語行動モデルのファインチューニングを可能にするシステムを提案。
原題: TANDEM: Task and Motion Planning with As-Needed Demonstrations for Efficient Vision-Language-Action Model Fine-tuning / Samrat Sahoo, Liang Ji, Tom Silver 他
日本語で読む → - 論文VLA画像認識
EgoTSR++: 一人称視点の時空間推論によるタスク進捗理解
一人称視点の2つの観測からタスクの進捗を順序に依存せず判断するフレームワークEgoTSRを提案し、順序バイアスを診断するベンチマークと双方向監督データ、段階的CoTカリキュラムを導入した。
原題: EgoTSR++: Egocentric Spatiotemporal Reasoning for Task Progress Understanding / Xiaoda Yang, Can Wang, Yuxiang Liu 他
日本語で読む → - 論文VLAロボティクス
ロボット方策学習のための行動整合型アクショントークン化
Soft-DTWで対応する動作チャンクを選び、量子化座標を再構成と同時に整合させることで、タスク間で共有される動作構造をトークナイザに学習させ、下流の自己回帰方策の性能を向上させた研究。
原題: Behavior-Aligned Action Tokenization for Robot Policy Learning / Junbo Dong, Ze Chen, Zhendong Xie 他
日本語で読む → - 論文VLA画像認識
潜在進化型ワールドアクションモデル
JEPAエンコーダの予測埋め込みを活用し、ビデオ拡散バックボーンに依存せずに行動生成と環境進化をモデル化するLeWAMを提案。さらにオフライン選好改善手法DemoDPOを導入した。
原題: Latent evolving World Action Model / Xueji Fang, Boqiang Duan, Hua Wu 他
日本語で読む → - 論文VLAロボティクス
InfiNoVA: 視点不変なロボットポリシーのための無限新規視点拡張
マルチカメラの実演を時間変化する3Dガウス表現として再構成し、任意の視点から幾何学的に一貫した新規視点画像を生成するデータ拡張手法を提案。未見視点での操作タスク成功率を大幅に向上させた。
原題: InfiNoVA: Infinite Novel View Augmentation for Viewpoint Invariant Robot Policies / Sai Puneeth Reddy Gottam, Elmar Rueckert, Vedant Dave
日本語で読む → - 論文VLAロボティクス
言語より潜在表現:運転向けアノテーション効率の良いVLA
言語注釈が少ない運転データでも、潜在アクションモデルと言語翻訳器を組み合わせてVLAを訓練し、5%未満の言語注釈で完全教師ありに匹敵する性能を達成した。
原題: Less Language, More Latents: Annotation-Efficient VLAs for Driving / Alexey Zakharov, Kemal Oksuz, Puneet K. Dokania
日本語で読む → - 論文VLAロボティクス
再構成誤差を超えて:自己回帰型視覚-言語-行動モデルのための解析的・データ駆動型行動トークン化
自己回帰型VLAモデルにおける行動トークン化を、再構成誤差だけでなく閉ループ制御性能の観点から比較し、再構成忠実度だけでは行動表現を選べないことを示した研究。
原題: Beyond Reconstruction Error: Analytical and Data-Driven Action Tokenization for Autoregressive Vision-Language-Action Models / Yuxin Yang, Gaohan He, Changxue Guan 他
日本語で読む → - 論文VLAロボティクス
SparseNav: 指示条件付きスパース意味知覚による訓練不要な視覚言語ナビゲーション
現在の指示に必要なランドマークだけをオンデマンドで知覚し、軽量なBEV地図とスパースな記憶でVLMプランナを導く、訓練不要の視覚言語ナビゲーション手法。
原題: SparseNav: Instruction-conditioned Sparse Semantic Perception for Training-Free Vision-Language Navigation / Quanhua Chen, Juhan Kang, Runfeng Lin 他
日本語で読む → - 論文VLAロボティクス
IndustrialVLA-Bench:オープンロボットポリシーモデルの追跡可能な多軸評価
6つのVLA/WAMモデルを統一プロトコルで評価し、クリーン性能・ロバスト性・言語感度・実行コストを比較したベンチマークを提案。
原題: IndustrialVLA-Bench: A Traceable Multi-Axis Evaluation of Open Robot Policy Models / Yiqi Wang, Zhifeng Rao, Jiaqi Zhang 他
日本語で読む → - 論文VLAロボティクス
MedVLA: 閉ループ精密医療ロボット操作のための階層型視覚-言語-行動フレームワーク
高レベルなマルチモーダル推論と低レベルの関数制約付き実行を組み合わせた階層型VLAフレームワークを提案し、柔軟電極挿入タスクで95%の成功率を達成した。
原題: MedVLA: A Hierarchical Vision-Language-Action Framework for Closed-Loop Precision Medical Robot Manipulation / Junjie Xie, Chuxuan He, Angen Ye 他
日本語で読む → - 論文VLAロボティクス
階層的間取り誘導型視覚言語探索による身体性質問応答
RGB-D観測から階層的シーングラフと開放語彙占有マップを構築し、間取りの事前情報とVLM計画を組み合わせて未知環境を効率的に探索するEQAフレームワークを提案した。
原題: Hierarchical Floorplan-Guided Vision-Language Exploration for Embodied Question Answering / Albert Gassol Puigjaner, Kostas Alexis
日本語で読む → - 論文VLAロボティクス
魚眼VLA:単一魚眼カメラで操作のための広域認識と高精細視野を両立
単一の魚眼カメラから広域視野とエンドエフェクタ中心の局所クロップを同時に取得し、VLAモデルと組み合わせて卓上・棚・コンベア上の操作を実現した研究。
原題: Fisheye-VLA: Decoupling Coverage and Acuity for Manipulation with a Single Fisheye Camera / Ziang Ren, Zike Yan, Raymond Zhang 他
日本語で読む → - 論文VLAロボティクス
中央値時間アンサンブル:アクションチャンク型視覚運動ポリシーのための学習不要なロバスト集約
アクションチャンク型ポリシーの時間アンサンブルにおいて、平均ではなく候補予測の座標ごとの中央値を用いることで、敵対的汚染やカメラ故障に対して学習なしでロバスト性を向上させる手法を提案。
原題: Median Temporal Ensembling: Training-Free Robust Aggregation for Action-Chunked Visuomotor Policies / Yuhang Jiang
日本語で読む → - 論文VLAロボティクス
RouteRLT: VLAポリシーを制御すべきRL専門家をいつ・どれにするか学習する
汎用VLAモデルと精密作業に特化したRL専門家を切り替えるルーティング手法を提案し、接続器挿入やケーブル操作などの実タスクで有効性を示した。
原題: RouteRLT: Learning When and Which RL Specialist Should Control a Vision-Language-Action Policy / Chongyu Zhu, Jaden Hinds, Hyegang Kim 他
日本語で読む → - 論文VLAロボティクス
HABILIS Brain 0: 視覚言語行動と残差フロー回復のための幾何変化監督
現在の観測からマルチビューの未来-現在の幾何変化トークンを予測するGC-VLAを提案し、4段階の学習でLIBEROにおいて99.55%の成功率を達成した。
原題: HABILIS Brain 0: Geometry-Change Supervision for Vision-Language-Action and Residual Flow Recovery / Jinu Pahk, Jesoon Kang, Taegeon Park 他
日本語で読む → - 論文VLAロボティクス
CableVLA: ケーブル配線のためのシミュレーション特権的グローバル・ローカル表現学習
シミュレーションの特権情報を活用し、ケーブルのトポロジーと触覚を表現する視覚言語行動フレームワークを提案。ケーブル配線タスクの成功率を62.6%から84.9%に向上させた。
原題: CableVLA: Simulation-Privileged Global-Local Representation Learning for Cable Routing / Zhifei Teng, Bo Feng, Xiang Zou 他
日本語で読む → - 論文VLAロボティクス
行動は1パッチに値する:PatchWAMによる統合的世界-行動モデリング
連続行動を固定マッピングでパッチとして表現し、専用の行動ヘッドや専門家なしに単一の生成モデルで視覚予測と行動生成を同時に行うPatchWAMを提案。LIBERO-Plusで91.8%、RoboTwin 2.0で96.12%の成功率を達成。
原題: An Action Is Worth One Patch: Unified World-Action Modeling with PatchWAM / Tianheng Wang, Zhou Xie, Heng Jia 他
日本語で読む → - 論文VLAロボティクス
身体を知る:VLMによる直接的・自己改善的なロボット制御のためのハーネス
視覚言語モデルの重みを固定したまま、ロボットの身体構造に関する知識を明示化・更新可能にし、行動選択と過去の経験解釈を改善するフレームワークKnowBodyを提案。実機4タスクで成功率75%を達成。
原題: Know Your Body: A Harness for Direct and Self-Improving Robot Control with VLMs / Zeyu Lou, Yanhong Zeng, Yong Wang 他
日本語で読む → - 論文自動運転VLAロボティクス
走ってから歩け:VLM自動運転のためのRun-then-Walkスケジューリング戦略
VLMベースの自動運転プランナー向けに、進捗探索を優先する「Run」段階と安全性を修復する「Walk」段階を分けた2段階GRPO報酬スケジューリングを提案し、性能と収束速度を両立させた。
原題: Sometimes You Gotta Run Before You Can Walk: Run-then-Walk Scheduling Strategy for VLM Autonomous Driving / Yuqi Ye, Shangkun Sun, Junhong Lin 他
日本語で読む → - 論文VLAロボティクス
MachEmbodied-U0:身体知能のための統合理解・生成モデル
理解と生成の専門家をMixture-of-Transformersで統合し、視覚力学と行動生成をフローマッチングで結びつけた身体知能基盤モデルを提案。LIBEROで99.0%の成功率を達成。
原題: MachEmbodied-U0: Unified Understanding and Generation Model for Embodied Intelligence / Haoran Wen, Wenfu Wang, Kunsong Shi 他
日本語で読む → - 論文VLAロボティクス
VisForce: 目標条件付き巧みな操作のための現在力と目標力の視覚的接地
指先位置に現在力と目標力を視覚的に重畳し、目標条件付きクロスアテンションで力認識動作を生成するVLA手法を提案し、実機で把持・操作タスクを評価した。
原題: VisForce: Visual Grounding of Current and Desired Forces for Goal-Conditioned Dexterous Manipulation / Jung-Woo Lee, Soo-Chul Lim
日本語で読む → - 論文VLA画像認識
Metric-Bench: 屋内シーンにおけるVLMの文脈内空間メトリック推論の探究
画像内の参照物体を手がかりに、カメラ内部パラメータなしでVLMが2Dから3Dへのメトリック推論を行うベンチマークと強化学習微調整手法を提案。
原題: Metric-Bench: Exploring In-context Spatial Metric Reasoning in VLMs for Indoor Scenes / Yuling Xi, Haokai Zhang, Muzhi Zhu 他
日本語で読む → - 論文VLAロボティクス
RoboFollow:身体性エージェントにおける指示追従の幻想を暴く
視覚シーンが一つのタスクしか許さない「低シーンエントロピー」問題を指摘し、言語理解を厳密に診断する4段階ベンチマークRoboFollowを提案。9つのVLA/WAMポリシーを評価し、指示追従能力が実は脆弱であることを示した。
原題: RoboFollow: Unveiling the Instruction Following Mirage in Embodied Agents / Chang Guo, Yukun Xie, Bohan Tan 他
日本語で読む → - 論文VLAロボティクス
ME-Brain-1.0:記憶・認知・行動による自己進化型身体知能
行動実行から経験獲得・進化を経て実行改善へと至る閉ループで自己進化する身体知能システムを提案し、再学習なしにベンチマークで大幅な性能向上を達成した。
原題: ME-Brain-1.0: Memory, Cognition and Action for Evolving Embodied Intelligence / Wei He, Hengtao Li, Zhongrui Yu 他
日本語で読む → - 論文VLAロボティクス
World Action Modelの設計で重要な要素とは:実証研究
World Action Modelの設計選択(因果構造、潜在空間、学習目的)を制御実験で分離し、ロボット制御性能への影響を体系的に分析した研究。
原題: What Matters in Designing World Action Models: An Empirical Study / Chao Tang, Haoqing Wang, Zilang Cen 他
日本語で読む → - 論文VLAロボティクス
LIBERO-VPro:ロボット基盤モデルの閉ループ視覚ロバスト性ベンチマーク
実行中の視覚情報を意図的に乱すことで、ロボット基盤モデルの閉ループ視覚ロバスト性を体系的に評価するベンチマークLIBERO-VProを提案し、VLAとWAMのロバスト性プロファイルの違いを明らかにした。
原題: LIBERO-VPro: Benchmarking Closed-Loop Visual Robustness of Robotic Foundation Models / Huiqiong Li, Zhiting Mei, Anirudha Majumdar 他
日本語で読む → - 論文VLAロボティクス
Zeva-Ego: 一人称視点動画の中間学習と文脈内因果学習によるロボットマニピュレーション
一人称視点の人間動画から行動中心の監督信号を作りVLAモデルを中間学習させ、さらに展開時に行動と結果のフィードバックからパラメータ更新なしで適応する枠組みを提案。
原題: Zeva-Ego: Egocentric Mid-Training with In-Context Causal Learning for Robot Manipulation / Bingjia Huang, Xin Ding, Fu Chen 他
日本語で読む →
PR・アフィリエイト広告
