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: 2026/7/1 / 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HRIロボティクス
エージェント・クライアントプロトコルによるGenAIアーキテクチャにおける人間とロボットのインタラクション
本論文は、ロボットシステムの人間とロボットのインタラクション層に、ソフトウェアエージェント用の通信標準であるAgent-Client Protocol (ACP)を採用し、MCPと組み合わせた3層アーキテクチャを提案する。これにより、異種UIの接続やロボット基盤の交換を容易にし、リアルタイム観測や人間の承認などの協調機能を実現する。
原題: Human-Robot Interaction in GenAI Architectures via the Agent-Client Protocol / Jesus Moncada-Ramirez, Jose-Raul Ruiz-Sarmiento, Javier Gonzalez-Jimenez
日本語で読む → - 論文VLA評価画像認識
HumanCLAW: 視覚言語モデルは身体を通して行動できるか?
視覚言語モデル(VLM)の身体を使った行動能力を評価するフレームワークを提案し、41の屋内シーンで1,218エピソードのベンチマークを構築。最先端のVLMでも成功率は最大16.8%にとどまり、物体認識ではなく身体の自己認識が欠如していることが課題と判明。
原題: HumanCLAW: Can Vision-Language Models Act Through a Body? / Li Siyao, Jiawei Gu, Shuai Liu 他
日本語で読む → - 論文VLAロボティクス
Enfold: 世界モデルの想像力を予測表現に折り畳み、超効率的な身体制御を実現
生成モデルが未来を構築する過程で得られる中間計算を、現在の視覚と言語指示のみから予測される表現に転移させる手法を提案。推論時に生成器を実行せずに行動予測が可能となり、遅延を大幅削減。
原題: Enfold: Folding World Model Imagination into Predictive Representations for Ultra-Efficient Embodied Control / Weili Zeng, Yitong Xing, Fulong Liu 他
日本語で読む → - 論文UAV制御ロボティクス
UAVの安全な機動へのマルチモーダルな人間意図の仲介モデル
音声やGUIなどの人間の入力指示を直接コマンドとして扱わず、制約付きの機動要求として解釈・検証・実行するパイプラインを提案し、地形や機体間距離などの安全制約を満たすUAVの安全な機動を実現する。
原題: A Model for Mediating Multi-Modal Human Intent into Safe Maneuvers for UAVs / Sofia Nelson, Dalal Alrajeh, Pedro Antonio Alarcon Granadeno 他
日本語で読む → - 論文移動操作画像認識
探索・対話・展開可能:オープンワールド移動操作のための視覚駆動型具現化エージェント
実世界展開可能な移動操作エージェントのためのフレームワークREALを提案し、シミュレーションと実機のギャップを埋める環境とベンチマークを構築、物理ロボットで高い成功率を達成した。
原題: Exploratory, Communicative, and Deployable: Vision-Driven Embodied Agents for Open-World Mobile Manipulation / Boyu Mi, Mengchen Ma, Yifei Yao 他
日本語で読む → - 論文マニピュレーションロボティクス
暗黙の力覚を超えて:アクション・チャンキング・トランスフォーマーにおける明示的な力トルクプロキシの評価
本論文は、ACT(Action Chunking with Transformers)がリーダー・フォロワーテレオペレーションの追従誤差から暗黙に力情報を得ていることを示し、その信号を除去した場合の性能低下と、モーター電流や関節トルクを追加することで力覚を回復できることを実機タスクで検証した。
原題: Beyond Implicit Force: Evaluating Explicit Force-Torque Proxies in Action Chunking with Transformers / King Hang Wong, Lingqiao Liu, Feras Dayoub
日本語で読む → - 論文操作学習ロボティクス
推論効率の高いワールドアクションモデルのための4次元幾何学事前知識の学習
ロボット操作のためのワールドアクションモデルに、動作に関連する4次元幾何学情報を注入し、推論コストを増やさずに操作性能を向上させる手法を提案した。
原題: Learning 4D Geometric Priors for Inference-Efficient World Action Models / Jianjun Zhang, Jian Zhu, Taiyi Su 他
日本語で読む → - 論文遠隔操作ロボティクス
人間レベルの巧みな遠隔操作を目指して
手と物体の同時追跡制御を用いて、人間の操作意図を学習済みの接触実行にマッピングし、物体の回転や長時間の道具使用など7つの難易度の高い遠隔操作タスクで高い成功率を達成した。
原題: Towards Human-level Dexterous Teleoperation / Puhao Li, Zeyuan Chen, Yingying Wu 他
日本語で読む → - 論文群制御math.OC
契約ベース分散MPCによる任意タイミングのプラグアンドプレイ制御
通信ネットワークへのエージェントの参加・離脱を中央調整なしで任意のタイミングで可能にする、局所通信に基づく分散マルチエージェント制御アルゴリズムを提案した。
原題: Anytime Plug-and-Play Control with Contract-Based Distributed MPC / Sabrina Bodmer, Danilo Saccani, Melanie N. Zeilinger 他
日本語で読む → - 論文強化学習/制御機械学習
軌道追従のための予測的強化学習
強化学習による軌道追従制御に予測情報を組み込み、シミュレーションで誤差を大幅削減。実機転送では単純な構成が最適であることを示した。
原題: Anticipatory Reinforcement Learning for Trajectory Tracking / Georg Schäfer, Jakob Rehrl, Stefan Huber 他
日本語で読む → - 論文操作学習/強化学習/Sim-to-Realロボティクス
ゼロショットSim-to-Real転送を備えたマルチタスクブロック押し操作のための単一拡散ポリシーコントローラ
強化学習を用いて、複数の形状のブロックを押すマルチタスク操作を単一の拡散ポリシーで学習し、実世界へゼロショット転送できることを示した論文。
原題: A Single Diffusion-Policy Controller for Multi-Task Block Pushing with Zero-Shot Sim-to-Real Transfer / Haitong Ma, Haldun Balim, Yang Hu 他
日本語で読む → - 論文モデル予測制御制御
残差適応型コンサバティブMPPI制御
モデルと実機のずれ(残差)に応じて安全制約や探索温度をオンライン調整するサンプリングベースMPC手法を提案し、シミュレーションで安全性と成功率を向上させた。
原題: Residual-Conservative Model Predictive Path Integral Control / Hyung-Jin Yoon, Hunmin Kim
日本語で読む → - 論文イベントベースビジョン/深度センシングロボティクス
アクティブイベントベースステレオ視覚による超高速深度センシングに向けて
イベントカメラと赤外線パターン投影機を統合したアクティブイベントベースステレオ視覚を提案し、高速シーンでの高密度深度推定を実現する軽量ニューラルネットワークActiveEventNet+を開発した。
原題: Towards Ultrafast Depth Sensing Via Active Event-based Stereo Vision / Jianing Li, Yunjian Zhang, Haiqian Han 他
日本語で読む → - 論文マニピュレーションロボティクス
点付随意味論を超えて:汎用操作のためのオブジェクト中心意味場
物体点群から機能部品の意味埋め込みを連続的に読み出すオブジェクト中心の意味場を提案し、操作ポリシーの条件付けに利用して性能を向上させた。
原題: Beyond Point-Attached Semantics: Object-Centric Semantic Fields for Generalizable Manipulation / Zheng Sun, Lerong Zhang, Zhihao Li 他
日本語で読む → - 論文3次元再構成画像認識
CasaMaestro: 住宅規模の3次元再構成のためのマルチビューパノラマ
この論文は、少数のパノラマ画像から住宅全体の3次元再構成を行うフィードフォワードモデルCasaMaestroを提案している。
原題: CasaMaestro: Multi-View Panoramas for House-Scale 3D Reconstruction / Yuzhou Ji, Xiaotian Yang, Zhipeng Zhang
日本語で読む → - 論文画像編集画像認識
あらゆるものを一度に編集する
複数の画像編集指示を1回の推論で処理する新しい手法MICEを提案し、指示間の干渉を抑えて属性の混入を防ぎつつ、高品質な編集を実現した。
原題: Editing Everything Everywhere All at Once / Fabio Quattrini, Carmine Zaccagnino, Enis Simsar 他
日本語で読む → - 論文セキュリティ画像認識
パッチサイズを盗む:視覚言語モデルへの敵対的操作
ブラックボックス攻撃により、視覚言語モデルの隠れたパッチサイズや前処理設定を推測し、それを利用した敵対的攻撃を可能にする手法を提案した。
原題: Steal the Patch Size: Adversarially Manipulate Vision-Language Models / Kai Hu, Akash Bharadwaj, Weichen Yu 他
日本語で読む → - 論文世界モデル/計画機械学習
AdaJEPA: 適応的潜在世界モデル
テスト時に世界モデルを適応させることで、分布シフト下での計画失敗を防ぐ手法を提案。MPCの閉ループ内で自己教師あり適応を行い、少数の勾配ステップで性能を大幅に改善する。
原題: AdaJEPA: An Adaptive Latent World Model / Ying Wang, Oumayma Bounou, Yann LeCun 他
日本語で読む → - 論文安全性/実行時監視AI
LabGuard: 実験室エージェントのための自然言語ルールを実行時ガードに変換する基盤
実験室の安全ルールなどの自然言語を実行可能な仕様に変換し、実行時モニタとして適用する安全スイートLabGuardを提案。未見ルールへの汎化や不安全イベント削減効果を実証した。
原題: LabGuard: Grounding Natural-Language Laboratory Rules into Runtime Guards for Embodied Laboratory Agents / Jingpu Yang, Fengxian Ji, Zhengzhao Lai 他
日本語で読む → - 論文拡散モデル/アンラーニング画像認識
拡散モデルのアンラーニングにおけるスパースオートエンコーダを用いた「見るが触れるな」アプローチ
拡散モデルの概念消去において、スパースオートエンコーダの潜在空間への直接介入はアーティファクトを生じるため、検出のみに用いて対象領域のパッチを置換する手法を提案し、よりクリーンな消去を実現した。
原題: Look But Don't Touch with Sparse Autoencoders for Unlearning in Diffusion Models / Enrico Cassano, Riccardo Renzulli, Rayyan Ahmed 他
日本語で読む → - 論文空間推論画像認識
RoboSpatialチャレンジ技術報告:選択的推論活性化と参照フレーム曖昧性解消による身体化空間推論
CVPR 2026のRoboSpatialチャレンジで1位を獲得した、ロボットの空間推論を強化する推論時プロンプト手法を提案した論文。
原題: Technical Report of RoboSpatial Challenge at CVPR 2026: Selective Reasoning Activation and Reference-Frame Disambiguation for Embodied Spatial Reasoning / Yuxiang Xie, Qi Lv, Jianming Xing 他
日本語で読む → - 論文3D理解画像認識
MV-GEL: 言語駆動によるメッシュ上の多視点幾何エンティティ位置特定
自然言語クエリに基づいて3Dメッシュ上の細かい幾何エンティティ(面、エッジ、立体)を特定するフレームワークを提案。視点選択を最適化し、VLMとレイキャスティングを組み合わせて高精度な位置特定を実現。
原題: MV-GEL: Language-Driven Multi-View Geometric Entity Localization on Meshes / Kartik Bali, Roland Aydin
日本語で読む → - 論文4D再構成画像認識
1本の動画から1つの世界へ:単眼動画を物理的な4Dシーンに変換する
単眼動画から、インスタンス単位で分離され、物理シミュレーションに利用可能な4Dメッシュシーンを、学習なしで再構成するシステムOVOWを提案する。
原題: One Video, One World: Turning Monocular Video into Physical 4D Scenes / Junhao Chen, Boran Zhang, Mingjin Chen 他
日本語で読む → - 論文物体検出画像認識
リアルタイムソースフリー物体検出
ドメインシフト下でのリアルタイム物体検出を実現するため、YOLOv10ベースの軽量なソースフリー適応手法を提案。二つのヘッドからの擬似ラベル融合とマルチスケール特徴の多様化損失により、精度・速度・パラメータ数を改善した。
原題: Real-Time Source-Free Object Detection / Sairam VCR, Varun Gopal, Poornima Jain 他
日本語で読む → - 論文空間推論画像認識
AeroVerse-SatAgent: 認知神経科学の二重視覚経路理論に着想を得たUAV-衛星協調空間推論
UAVと衛星の協調による空間推論モデルSatAgentを提案し、幾何認識3D再構成エンコーダと多視点トポロジー意味アライメントで視点変化に頑健な推論を実現した。
原題: AeroVerse-SatAgent: UAV-Satellite Collaborative Spatial Reasoning Inspired by the Dual Visual Pathway Theory of Cognitive Neuroscience / Wenyi Zhang, Fanglong Yao, Youzhi Liu 他
日本語で読む → - 論文ディープフェイク防御画像認識
ファントム:潜在空間と空間的制約を統合した統一フェイススワップディープフェイク防御フレームワーク
フェイススワップディープフェイクから個人のプライバシーを守るため、潜在空間と空間領域の両方で摂動を制約する統一防御フレームワーク「Phantom」を提案した。
原題: Phantom: A Unified Face-Swap Deepfake Protection Framework with Latent and Spatial Constraints / Jungkon Kim, Cheolseung Jung, Jong-Min Choi 他
日本語で読む → - 論文LLM安全性機械学習
競合する報酬によるLLMの過剰拒否への対処
安全トレーニングによる過剰拒否問題を、有害な推論を探索として活用しつつ安全な回答を生成する敵対的枠組みで解決する手法を提案した。
原題: Addressing Over-Refusal in LLMs with Competing Rewards / Taeyoun Kim, Aviral Kumar
日本語で読む → - 論文VLA/安全性評価画像認識
EgoSafetyBench:具身VLMをランタイム安全監視役として評価する診断用エゴセントリック動画ベンチマーク
ロボット視点の動画で、安全監視VLMが本当の危険を見逃さず、見かけだけの異常に過剰介入しないかを診断するベンチマークを構築し、10種のVLMを評価した。
原題: EgoSafetyBench: A Diagnostic Egocentric Video Benchmark for Evaluating Embodied VLMs as Runtime Safety Guards / Siddhant Panpatil, Arth Singh, Mijin Koo 他
日本語で読む → - 論文CAD/LLMエージェントAI
具現化CAD:ソルバー基盤のLLMエージェントによるパラメトリックB-Repアセンブリモデリング
LLMエージェントがCADソルバーのフィードバックを利用して、パラメトリックB-Repアセンブリモデリングを段階的に実行するフレームワークを提案した。
原題: Embodied CAD: Solver-Grounded LLM Agents for Parametric B-Rep Assembly Modeling / Fumin Liu, Haoyu Zhou, Fei Hao 他
日本語で読む → - 論文VLA画像認識
基盤モデル連携の再考:代理タスク推論による特化モデルの強化
基盤モデルと特化モデルの協調をタスク分解として捉え、特化モデルの予測候補を基盤モデルが選択・検証する代理タスクで改善するフレームワークFATを提案。2D/3D物体検出、軌道予測、セマンティックセグメンテーションで効果を実証。
原題: Rethinking Foundation Model Collaboration: Enhancing Specialized Models through Proxy Task Reasoning / Hongyi Lin, Yang Liu, Jinhua Zhao 他
日本語で読む →
PR・アフィリエイト広告
