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: 2026/9/20 / 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
SCULPT-VLA: 段階的行動グラウンディングによる構造化制御の学習
VLAポリシーにおいて、タスク進行・シーン動態・空間グラウンディングの要素を段階的に学習させ、教師なしで連続制御を洗練する手法を提案。LIBEROや実機タスクで成功率を向上させた。
原題: SCULPT-VLA: Learning Structured Control through Staged Action Grounding / Wenbo Li, Yiteng Chen, Wei Zhang 他
日本語で読む → - 論文VLA自然言語
成功した記憶が身体エージェントを誤導するとき:タスク条件付き実行のための記憶適応
過去の成功軌跡をそのまま再利用すると現在の実行文脈に合わないことがあるため、検索後の記憶を実行向けに変換するMATEを提案し、ALFWorldで高い成功率とトークン削減を達成した。
原題: When Successful Memories Mislead Embodied Agents:Memory Adaption For Task-Conditioned Execution / Quanquan Li, Hongbo Zhang, Yihe Chi 他
日本語で読む → - 論文VLAロボティクス
見た目の変化を超えて:VLAモデルのためのタスク意味論的行動校正
凍結したVLAモデルにタスク意味論に基づく行動校正を追加し、見た目変化への不要な反応を抑えつつ、意味が変わった時のみ行動を変える手法を提案。
原題: Beyond Appearance Shifts: Task-Semantic Action Calibration for VLA Models / Shuaijun Liu, Feiyang You, Chengyu Wu 他
日本語で読む → - 論文VLAロボティクス
接地行動モデル:ロボティクスの基盤としての3Dグラウンディング
言語・点・ボックス指示を対象物の3D表現に変換し、マルチストリームTransformerで行動を予測するロボット基盤モデルGAMを提案。RoboTwin 2.0やLIBERO-PROで高い成功率を示した。
原題: Grounded Action Model: 3D Grounding as a Foundation for Robotics / Gehao Zhang, Weikai Huang, Shailesh Shailesh 他
日本語で読む → - 論文VLAロボティクス
TaskAnchor: 長期的マニピュレーションのための反応型VLAにおけるタスク状態の接地
視覚的に似た観測でも実行段階によって行動が異なる「タスク状態の曖昧さ」を解消するため、実行履歴に基づく軽量アダプタTaskAnchorを提案し、VLAの成功率を大幅に向上させた。
原題: TaskAnchor: Grounding Task State in Reactive VLAs for Long-Horizon Manipulation / Hengyan Liu, Wenlve Zhou, Bo Yue 他
日本語で読む → - 論文VLAロボティクス
人間中心マルチモーダル観測からの能動的ロボット行動推論
明示的な指示なしに、人間と環境のマルチモーダルな手がかりからロボットが取るべき行動を判断する「能動的ロボット行動推論」を定式化し、実世界データセットProActionと参照モデルMMC2Actを提案した。
原題: Cognitive Action Reasoning for Proactive Robots from Human-Centered Multimodal Observations / Zhihao Gu, Kechao Zhu, Yuanfeng Wu 他
日本語で読む → - 論文VLAロボティクス
RiverVLN: フェーズ接地型時間的視覚言語ナビゲーションによる無人水上艇の河川航行
河川を航行する無人水上艇(USV)向けに、長期的な言語指示を視覚的に検証可能な意味フェーズ列に変換し、予測・実行・再観測ループで連続的なSE(2)姿勢増分を予測するナビゲーション手法PGT-NAVとベンチマークRiverVLNを提案した。
原題: RiverVLN: Phase-Grounded Temporal Vision--Language Navigation for Unmanned Surface Vehicles / Jieling Wu, Yuehao Huang, Jiajun Lv 他
日本語で読む → - 論文VLAロボティクス
CompVLA: 接触を伴うマニピュレーションのための可変コンプライアンス視覚-言語-行動モデル
RGB画像と言語入力から動作と剛性行列を同時に予測し、接触の多いタスクで高い成功率を達成するVLAフレームワークを提案した。
原題: CompVLA: A Variable Compliance Vision-Language-Action Model for Contact-rich Manipulation / Jongmin Kim, Junsu Ha, Che-Sang Park 他
日本語で読む → - 論文VLAロボティクス
スパイキングニューラルネットワークによるActor-Critic PPO制御を用いた、インフラ・建築物内の狭所開口部を通過するUAV自律ナビゲーション
スパイキングニューラルネットワークとPPOを組み合わせたActor-Critic強化学習により、橋梁やトンネルなど制約の多い3次元環境でUAVを自律飛行させ、窓通過タスクで63.77%の成功率を達成した。
原題: Spiking Neural Network Actor-Critic Proximal Policy Optimization Control for Autonomous UAV Navigation Through Constrained Openings in Civil Infrastructure and Buildings / Francis Noah Walugembe, Maciej Wielgosz, Tomaž Goričan 他
日本語で読む → - 論文VLA画像認識
潜在行動モデルにおける代数的整合性だけでは時間構造を保証できない
潜在行動モデルの代数的整合性(加法性・反対称性)が時間構造の獲得を証明しないことを示し、制約なしモデルでも同程度の誤差削減が得られることを明らかにした。
原題: Algebraic Consistency Alone Does Not Certify Temporal Structure in Latent Action Models / Di Wen, Ruodi Zhang, Kailun Yang 他
日本語で読む → - 論文VLA画像認識
MaskVLA: 視覚マスキングによるVision-Language-Actionモデルの軌道過学習の抑制
VLAモデルの微調整時にメインカメラの視覚情報をランダムに一部マスクすることで、手首カメラ情報の活用を促し、軌道過学習を防いで汎化性能とタスク成功率を向上させる手法を提案。
原題: MaskVLA: Visual Masking Against Trajectory Overfitting of Vision-Language-Action Model / Yuxuan Jiang, Jiaying Huang, Ge Wang 他
日本語で読む → - 論文VLAAI
PhysAI-Bench:自律UAV物理AIにおけるLLMベースエージェント意思決定のベンチマーク
自律UAVミッションの対話ログから抽出した1万件超の意思決定インスタンスで、29の基盤モデルのエージェント的意思決定能力を評価するベンチマークを提案。
原題: PhysAI-Bench: A Benchmark for LLM-Based Agentic Decision-Making in Autonomous UAV-Centric Physical AI / Mohamed Amine Ferrag, Merouane Debbah, Abderrahmane Lakas 他
日本語で読む → - 論文VLAロボティクス
非同期リプレイ固定方策改善による安定かつ効率的な実世界オンラインVLA事後学習
ロールアウトと学習を並行して行い、リプレイされた行動に基づいて価値関数と方策を更新することで、実世界のVLAモデルを短時間で安定的にオンライン事後学習する手法を提案。
原題: Stable and Efficient Real-World Online VLA Post-Training via Asynchronous Replay-Anchored Policy Improvement / Jiarui Yang, Jiajin Zhang, Bin Zhu 他
日本語で読む → - 論文VLAロボティクス
StateMem: VLAポリシーのための単一状態残差メモリと適応推論
予測誤差で更新する単一のメモリトークンとキャッシュ再利用の適応制御により、履歴情報を保持しつつ計算を削減するVLAポリシーを提案。
原題: StateMem: Single-State Residual Memory with Adaptive Inference for Vision-Language-Action Policies / Wenzhuo Li, Qiongfeng Shi, Yi Zhou
日本語で読む → - 論文VLAロボティクス
ForceRFT: 力誘導残差強化学習によるVLA行動の洗練
接触を伴うタスク向けに、人間の修正と自律的な試行結果から力条件付きの残差行動を学習し、VLA方策を改善するフレームワークを提案。
原題: ForceRFT: Refining VLA Actions through Force-Guided Residual Reinforcement Learning / Yichen Wang, Chaoyang Zhang, Xuqi Su 他
日本語で読む → - 論文VLA機械学習
政策不確実性を活用した効率的なワールドモデルベースVLA政策最適化のための優先ロールアウト
VLA政策の強化学習において、政策の不確実性が高い状態に優先的にモデルロールアウトを割り当てる軽量サンプリング層U-GROWを提案し、シミュレーションと実機のマニピュレーションタスクで効率と有効性を示した。
原題: Prioritized Rollouts for Efficient World Model-based Vision-Language-Action Policy Optimization / Yifei Sheng, Haoxiang Ren, Zhilong Zhang 他
日本語で読む → - 論文VLAロボティクス
閉ループ崩壊の解剖:圧縮VLAポリシーの因果的事例研究
圧縮された操作ポリシーがオフライン評価を通過しながら閉ループで崩壊する事例を因果的に分析し、失敗の構造と標準的な修復法が効かないことを示した。
原題: Anatomy of a Closed-Loop Collapse: A Causal Case Study of a Compressed VLA Policy / Fengze Jia
日本語で読む → - 論文VLAロボティクス
H-VLA:キーアクション推論と運動計画を統合行動空間で行う階層型視覚-言語-行動モデル
高レベルのキーアクション推論と低レベルの運動生成を分離し、統一されたカメラ中心行動空間でロボット操作を学習する階層型VLAフレームワークを提案。
原題: H-VLA: Hierarchical Vision-Language-Action Model with Key-Action Reasoning and Motion Planning in a Unified Action Space / Xiongfeng Peng, Lu Xu, Yandong Wang 他
日本語で読む → - 論文VLAロボティクス
VLMの知能をロボット制御へ転移する
VLMに離散的な移動・回転・グリッパ指令のインターフェースを与え、閉ループでロボットを制御させる手法RoboDawnを提案。タスク特化の学習なしで既存手法を上回り、実演1回の文脈内学習でSOTAを達成した。
原題: Transferring the Intelligence of VLMs to Robotic Control / Meng-Hao Guo, Zhe-Han Mo, Jia-Jun Wang 他
日本語で読む → - 論文VLAロボティクス
視覚言語行動モデルの連合ファインチューニングに関する実証研究とオープンテストベッド
事前学習済みVLAモデルを連合学習でファインチューニングする際の設計選択を体系的に検証し、シミュレーションと実機実験を通じて知見と課題を明らかにした。
原題: An Empirical Study and Open Testbed for Federated Fine-Tuning of Vision-Language-Action Models / Zhekai Duan, Kevin Ziyang Xie, Xinyu Tan 他
日本語で読む → - 論文VLAロボティクス
SmoLSTM: エピソード記憶を持続するコンパクトな視覚-言語-行動モデル
凍結したSmolVLMとLSTM制御層を組み合わせ、エピソード全体でリセットしない再帰状態により、遮蔽や見分けがつかない物体を含むタスクを少ないパラメータで高精度に実行するVLAモデルを提案。
原題: SmoLSTM: A Compact Vision-Language-Action Model with Recurrent Memory that Persists / Jan-Gerrit Habekost, Parsa Mastouri Kashani, Connor Gäde 他
日本語で読む → - 論文VLAロボティクス
FOCAL-VLA:サブタスク誘導型幾何蒸留と暗黙的ワールドモデリングによる視覚言語行動モデル
サブタスクに関連する領域に絞って幾何知識を蒸留し、将来の3D変化を暗黙的にモデル化することで、精密かつ長期的なロボット操作を可能にするVLAフレームワークを提案。
原題: FOCAL-VLA: Subtask-Guided Geometry Distillation and Implicit World Modeling for Vision-Language-Action Models / Zhiyuan Gao, Di Wen, Yanxiang Zhan 他
日本語で読む → - 論文VLAロボティクス
AtomEgo: 一人称視点ロボット統合による身体性基盤モデル事前学習の探求
約2,659時間の一人称視点人間データとロボットデータを組み合わせ、身体性基盤モデルの事前学習における効果的な統合手法を体系的に検討した研究。
原題: AtomEgo: Exploring Ego-Robot Integration for Embodied Foundation Model Pretraining / Di Wu, Dongchen Zheng, Junhe Sheng 他
日本語で読む → - 論文VLAロボティクス
VT-Bridge: 軽量残差適応で事前学習済み基盤VLAをVTLAへ橋渡し
事前学習済みVLAモデルに軽量な残差アダプタを追加するだけで、触覚情報を活用した接触の多いマニピュレーションを少ないデータで実現する手法を提案。
原題: VT-Bridge: Bridging Pretrained Foundation VLAs to VTLAs via Lightweight Residual Adaptation / Yansong Wu, Tuo Yang, Rongping Zhao 他
日本語で読む → - 論文VLAロボティクス
DPed-VLN:動的歩行者環境における社会的規範に沿った視覚言語ナビゲーションのベンチマーク
歩行者が動く環境での視覚言語ナビゲーションを評価するHabitat 3.0ベンチマークを構築し、歩行者を考慮した強化学習・模倣学習ポリシーDPetを提案した。
原題: DPed-VLN: A Benchmark for Socially Compliant Vision-and-Language Navigation in Dynamic Pedestrian Environments / Haojie Dai, Xiangyi Wang, Liuyi Wang 他
日本語で読む → - 論文VLAロボティクス
少ないステップでより良い行動:VLAポリシーのフローマッチング推論の再考
フローマッチングベースのVLAポリシーにおいて、積分ステップ数を増やす代わりに、軽量なTransformerで終点補正を行うことで、推論コストを削減しつつ成功率を向上させる手法を提案。
原題: Fewer Steps, Better Actions: Rethinking Flow-Matching Inference for VLA Policies / Zhipeng Tang, Xinda Chen, Weining Rao 他
日本語で読む → - 論文VLAロボティクス
視覚言語行動ポリシー間における成果条件付きエンドエフェクタ幾何
4つのVLAポリシーによる15,000回のLIBEROロールアウトを解析し、両方成功したペアは片方のみ成功したペアよりエンドエフェクタ軌道が近いことを示した。
原題: Outcome-Conditioned End-Effector Geometry Across Vision-Language-Action Policies / Xingyu Lin, Zhuang Li, Zhongrun Wu 他
日本語で読む → - 論文VLAロボティクス
SynthDemo-RL:LLM誘導合成デモでVLA適応のゼロ報酬障壁を突破
LLM教師が合成デモを生成し、VLA学生をSFTで蒸留後PPOで微調整することで、人間のデモなしにスパース報酬タスクの成功率を大幅に改善する手法を提案。
原題: SynthDemo-RL: Breaking the Zero-Reward Barrier in VLA Adaptation with LLM-Guided Synthetic Demonstrations / Hiroaki Kingetsu, Hiroaki Kurihara, Kaoru Yokoo 他
日本語で読む → - 論文VLA画像認識
PRIME: VLAモデルにおける状況記憶埋め込みによる知覚フィードバック
自動運転VLAモデルに、過去の知覚・推論・ナビ目標・予測行動を集約した状況記憶で知覚クエリを条件付けるフィードバック機構を導入し、Bench2DriveでSOTA性能を達成した。
原題: PRIME: Perception Feedback with Situational Memory Embeddings in VLA Models / Erik Deinzer, Naya Baslan, Luca Paparusso 他
日本語で読む → - 論文VLAロボティクス
SafeStage: 視覚言語条件付きロボットマニピュレーションの実行前・実行中・実行後の安全性評価
視覚言語条件付きロボット操作の安全性を、タスク実行の前・中・後の3段階で評価するベンチマークSafeStageを提案し、VLAポリシーがタスク成功と安全性違反を同時に起こしうることを示した。
原題: SafeStage: Evaluating Safety Before, During, and After Vision-Language-Conditioned Robot Manipulation / Jinzhu Luo, Qi Zhang, Wei Wang 他
日本語で読む →
PR・アフィリエイト広告
