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: 2026/6/19 / 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 →- 論文セキュリティ/自動運転画像認識
BadDreamer: 自動運転向けビデオワールドモデルに対する転移可能なバックドア攻撃
自動運転のビデオワールドモデルに、特定のトリガー(黄色い配達ライダー)が現れると未来フレームで消えるように学習させるバックドア攻撃を提案し、下流の行動予測を危険な方向に誘導できることを示した。
原題: BadDreamer: Transferable Backdoor Attacks against Video World Models for Autonomous Driving / Zhe Shuai, Xiaopeng Xie, Yikun Zeng
日本語で読む → - 論文言語モデル自然言語
大規模言語モデルにおける二項式の語順選好の行動的・表象的証拠
大規模言語モデルが言語的な二項式(例:men and women)の語順選好をどの程度捉えているかを、多言語データセットとプロービングを用いて分析し、モデルの内部表現が選好の強さを部分的に符号化していることを示した。
原題: Behavioral and Representational Evidence of Binomial Ordering Preferences in Large Language Models / Zhiqing Yang, Yilun Liu, Yunpu Ma 他
日本語で読む → - 論文ナビゲーションロボティクス
自律ナビゲーションにおける注視誘導型能動知覚のための高速な人間の注意予測
液体ニューラルネットワークとMobileNetV3を用いた軽量な視線走査予測モデルGazeLNNを提案し、計算コストを99.4%削減しつつ最先端の精度を達成。さらに強化学習で訓練したカメラ制御ポリシーに統合し、実機ドローンでの自律ナビゲーションを実証した。
原題: Fast Human Attention Prediction for Fixation-guided Active Perception in Autonomous Navigation / Fatma Youssef Mohammed, Grzegorz Malczyk, Kostas Alexis
日本語で読む → - 論文ナビゲーション画像認識
見て到達する:視野内UAVの精密視覚言語ナビゲーション
UAVの視覚言語ナビゲーションにおいて、目標が視野に入った後の精密な到達能力に焦点を当てた新しいタスクと、動的3D方向手がかりを用いたウェイポイント予測フレームワークを提案した。
原題: See-and-Reach: Precise Vision-Language Navigation for UAVs within the Field of View / Fanfu Xue, En Yu, Yantian Shen 他
日本語で読む → - 論文VLA画像認識
Occ-VLM: 占有度に基づく屋内シーン理解のための視覚言語モデル
2D画像のみから3Dシーン占有度を幾何学的先行情報として再構成し、前景トークンを3D空間に対応付けてLLMで理解する、統一的な3D視覚言語モデルを提案した。
原題: Occ-VLM: Occupancy Grounded Vision Language Model for Indoor Scene Understanding / Jianing Li, Zhou Fang, Yijiang Liu 他
日本語で読む → - 論文手術ロボティクス/世界モデル画像認識
SurgVista: 手術における長期的世界モデリングと物理的に妥当な器具-組織ダイナミクス
手術映像の世界モデルを提案し、器具と組織の相互作用の整合性と長期的な予測の安定性を向上させる手法を開発した。
原題: SurgVista: Long-Horizon Surgical World Modeling with Plausible Instrument-Tissue Dynamics / Wentao Pan, Wuyang Li, Shengyuan Liu 他
日本語で読む → - 論文VLA画像認識
EventVLA: イベント駆動型視覚証拠メモリによる長期的視覚言語行動ポリシー
長期的なロボット操作タスクで、視覚情報が隠れたり見えなくなったりする問題に対処するため、重要な視覚イベントを予測して記憶する新しいフレームワークEventVLAを提案した。シミュレーションと実機タスクで既存手法より成功率が大幅に向上した。
原題: EventVLA: Event-Driven Visual Evidence Memory for Long-Horizon Vision-Language-Action Policies / Ganlin Yang, Zhangzheng Tu, Yuqiang Yang 他
日本語で読む → - 論文テキストから画像生成画像認識
ELDiff: 証拠学習とテキストから画像への拡散の融合
複数オブジェクトのテキストから画像生成において、セグメンテーションマップの不確実性と意味的競合を扱うため、証拠学習に基づく損失関数を導入し、オブジェクトごとの一貫性を強化する拡散モデルELDiffを提案した。
原題: ELDiff: When Evidential Learning Meets Text-to-Image Diffusion / Qingtao Pan, Kai Ye, Zhihao Dou 他
日本語で読む → - 論文ナビゲーションAI
自動対話拡張によるDialNavの性能向上
DialNavの訓練データ不足を解決するため、既存のVLNデータセットから自動で対話データを生成するパイプラインを提案し、大規模データセットRAINbowを構築。さらに、動的な対話ナビゲーションループに合わせた訓練手法とVLN知識を活用した位置推定モデルを導入し、成功率を大幅に向上させた。
原題: Advancing DialNav through Automatic Embodied Dialog Augmentation / Leekyeung Han, Sangwon Jung, Hyunji Min 他
日本語で読む → - 論文コンピュテーショナルイメージング画像認識
視覚推論ガイドによるライトフィールドからの遮蔽除去
ライトフィールド統合と視覚言語モデルの推論を組み合わせ、遮蔽物を除去してシーンを復元するフレームワークを提案。合成・実データで最高性能を達成した。
原題: Vision-Reasoning-Guided Occlusion Removal from Light Fields / Mohamed Youssef, Oliver Bimber
日本語で読む → - 論文セキュリティ/3D物体検出画像認識
Mirage: LiDAR 3D物体検出に対するクリーンラベルバックドア攻撃
LiDAR 3D物体検出モデルに対して、ラベル改変を必要としないクリーンラベルバックドア攻撃を提案し、少量の毒サンプルで高い誤分類率を達成した。
原題: Mirage: a Clean-Label Backdoor against LiDAR 3D Object Detection / Ziba Parsons, Ang Li
日本語で読む → - 論文強化学習AI
報酬をエージェントとして捉える身体化ワールドモデルの学習
身体化ワールドモデルにおいて、報酬をエージェントとして能動的に評価する枠組みと、動的差分に基づく探索多様化手法を導入し、報酬ハッキングを抑えつつ多様な行動生成を可能にする強化学習手法を提案した。
原題: Reward as An Agent for Embodied World Models / Pu Li, Zhigang Lin, Qiang Wu 他
日本語で読む → - 論文マルチモーダル/誤情報検出自然言語
NepOOC-M: ネパール語-英語バイリンガルベンチマークとOOC検出のためのマルチモーダルアーキテクチャ比較分析
ネパール語を主とする初の公開OOC誤情報ベンチマークNepOOCを構築し、5つのマルチモーダルモデルとテキスト/画像のみのベースラインを比較。現段階ではテキストのみのモデルが最良で、画像のみは偶然レベルに留まることを示した。
原題: NepOOC-M: Bilingual Nepali-English Benchmark and Comparative Analysis of Multimodal Architectures for OOC Detection / Sanjeev Khatiwada
日本語で読む → - 論文身体化事前学習画像認識
HumanScale: 身体中心の人間ビデオは実ロボットデータを凌駕する身体化事前学習の可能性
身体化基盤モデルの事前学習データとして、遠隔操作の実ロボット軌跡と身体中心の人間ビデオを比較し、適切なフィルタリングとラベリング処理を施した人間ビデオが実ロボットデータよりも優れた性能を示すことを発見した。
原題: HumanScale: Egocentric Human Video Can Outperform Real-Robot Data for Embodied Pretraining / Juncheng Ma, Jianxin Bi, Yufan Deng 他
日本語で読む → - 論文モデル選択機械学習
少数クラス応用データセットのための効率的なニューラルネットワークモデル選択
実世界の多くは少数クラスであることに着目し、データ特性から分類難易度を測る指標を提案。これにより従来より6〜29倍高速にモデル比較ができ、小型モデルでも精度を保ちつつ効率化できることを示した。
原題: Efficient Neural Network Model Selection for Few-Class Application Datasets / Bryan Bo Cao, Abhinav Sharma, Lawrence O'Gorman 他
日本語で読む → - 論文世界モデル機械学習
感覚運動世界モデル:逆動力学による行動のための知覚
逆動力学正則化を導入した潜在世界モデルを提案し、表現の崩壊を防ぎつつ行動に関連する表現を学習することで、報酬なしの軌跡から効率的な計画を可能にする。
原題: Sensorimotor World Models: Perception for Action via Inverse Dynamics / Petr Ivashkov, Randall Balestriero, Bernhard Schölkopf
日本語で読む → - 論文VLA画像認識
FOCA: 未来指向型条件付けによるデータ効率的な視覚言語行動適応
視覚言語行動モデルの少数ショット模倣学習における性能低下を改善するため、未来の相互作用埋め込みと目標観察を活用した未来指向型条件付けフレームワークを提案した。
原題: FOCA: Future-Oriented Conditioning for Data-Efficient Vision-Language-Action Adaptation / Duc Minh Nguyen, Nghiem Tuong Diep, Binh Gia Nguyen 他
日本語で読む → - 論文人型ロボット/動作生成AI
PhysDrift: 人型ロボットの共話動作生成における身体性ギャップの橋渡し
人型ロボットの共話動作生成において、人間中心のパイプラインが持つ身体性の不一致を特定し、それを解消するための新しいデータキュレーション手法と身体性を考慮した生成フレームワークを提案した。
原題: PhysDrift: Bridging the Embodiment Gap in Humanoid Co-Speech Motion Generation / Zhangzhao Liang, Xiaofen Xing, Mingyue Yang 他
日本語で読む → - 論文音声評価eess.AS
音響・韻律摂動による音声品質評価における人間とモデルの乖離の調査
音声品質評価モデルが音響劣化には追従するが、韻律誤差や話者特性の変化に対する感度が人間と異なることを、制御された摂動実験で明らかにした論文。
原題: Investigating Human-Model Discrepancies in Speech Quality Assessment via Acoustic and Prosodic Perturbations / Masato Takagi, Masaya Kawamura, Reo Shimizu 他
日本語で読む → - 論文データ生成画像認識
画像1枚で十分:テキストベース世界モデルによるエージェント型ワンショット画像生成と長尾空間知覚
単一の参照画像から、LVLMとLLMを用いて構造化シーン表現を構築し、拡散モデルで物理的に妥当な長尾データを生成するフレームワークWMGen-v1を提案した。
原題: One Image is All You Need: Agentic One-Shot Image Generation via Text-Based World Models for Long-Tail Spatial Perception / Keqin Zeng, Shuting Su, Shihao Lin 他
日本語で読む → - 論文デジタルツイン/関節物体/URDF画像認識
RGB-DシーケンスからのURDF合成:微分可能な関節推定とエネルギー整合検証によるアプローチ
短いRGB-Dシーケンスから関節物体のデジタルツインを構築するパイプラインを提案。部品形状・関節トポロジー・関節パラメータを同時推定し、エネルギー保存則を検証して物理シミュレータでのドリフトを低減する。
原題: URDF Synthesis from RGB-D Sequences via Differentiable Joint Inference and Energy-Consistent Verification / Xinze Zhang
日本語で読む → - 論文動作予測画像認識
MolmoMotion: 言語指示による3D点軌跡予測
言語指示に基づいて物体上の3D点の将来軌跡を予測するモデルと、大規模データセット・ベンチマークを構築した論文。
原題: MolmoMotion: Forecasting Point Trajectories in 3D with Language Instruction / Jianing Zhang, Chenhao Zheng, Yajun Yang 他
日本語で読む → - 論文SLAMロボティクス
センサ構成が重要:四足ロボットにおけるマルチモーダルSLAMの系統的評価
四足ロボットの過酷な運動下でのSLAM性能に対するセンサ構成(カメラ種別、シャッター方式、IMU性能)の影響を、ANYmal Dのデータセットを用いて系統的に評価した論文。
原題: Sensor Configuration Matters: A Systematic Evaluation of Multimodal SLAM on Quadruped Robots / Roberto Corlito, Fabian Schmidt, Nils Seibert 他
日本語で読む → - 論文探索/理論機械学習
文脈内学習は内発的好奇心を支えられるか?
大規模系列モデルの文脈内学習能力を利用して、勾配更新なしで学習進捗を推定し、探索ポリシーを訓練できるかを理論的に検証した論文。一般的なマルコフ決定過程では不可能だが、能動学習などの非時間的設定では可能であることを証明した。
原題: Can In-Context Learning Support Intrinsic Curiosity? / Eric Elmoznino, Sangnie Bhardwaj, Johannes von Oswald 他
日本語で読む → - 論文器用操作/データ生成ロボティクス
私の真似をして:日常の人間ビデオからの器用な操作データ
単眼RGBの人間ビデオから手と物体のインタラクションを再構築し、多指ロボットハンドの実行可能な操作軌道へとリターゲティングするアルゴリズムを提案した。
原題: Do as I Do: Dexterous Manipulation Data from Everyday Human Videos / Bhawna Paliwal, Haritheja Etukuru, William Liang 他
日本語で読む → - 論文セキュリティcs.CR
ライフサイクルを考慮した動的解析による安全なMLモデル実行の実現
MLモデルの実行をライフサイクルフェーズに分け、各フェーズでのホストシステムとの相互作用を監視する動的解析手法を提案し、既存の静的スキャンでは検出できない攻撃を高い精度で検出した。
原題: Lifecycle-Aware Dynamic Analysis for Secure ML Model Execution / Gabriele Digregorio, Marco Di Gennaro, Francesco Pastore 他
日本語で読む → - 論文世界モデル機械学習
二重チャネル接地型世界モデリング(DCGWM):異種外部接地と内向きのみの勾配流による目的干渉崩壊の構造的防止
JEPAベースの世界モデルにおいて、物理的ダイナミクスと社会的行動ダイナミクスの2つの異なる外部信号を共有潜在空間で学習すると、一方のチャネルが他方の表現部分空間を崩壊させる「目的干渉崩壊」が起こることを特定し、これを構造的に防ぐため、潜在空間を物理・行動の2つの部分空間に分割し、内向きのみの勾配流を持つDCGWMを提案した。
原題: Dual-Channel Grounded World Modeling (DCGWM): Structural Prevention of Objective Interference Collapse via Heterogeneous External Grounding with Inward-Only Gradient Flow / Akshay Hazare
日本語で読む → - 論文評価指標画像認識
AUCが誤解を招くとき:ドメインシフト下でのディープフェイク検出器の分極化を考慮した評価
ディープフェイク検出器の汎化性能を評価する際、従来のAUCはデータソース混合やアーティファクト多様性を反映しないため、新指標Cross-AUCを提案し、ドメインシフト下での頑健性をより現実的に評価する。
原題: When AUC Misleads: Polarization-Aware Evaluation of Deepfake Detectors under Domain Shift / Dat Nguyen, Cosmin Radoi, Romain Hermary 他
日本語で読む → - 論文自動運転/テストベッドロボティクス
自動運転車のための複合現実テストベッド
物理ロボットと高忠実度シミュレーションを統合した、自動運転車のハードウェアインザループテストベッドを提案し、安全性が保証された制御フレームワークを実証した。
原題: A Mixed-Reality Testbed for Autonomous Vehicles / H. M. Sabbir Ahmad, Ehsan Sabouni, Emrullah Celik 他
日本語で読む → - 論文画像編集画像認識
BindEdit: 注意漏れを抑えた高精度な複数物体画像編集
複数物体を含む画像編集で生じる注意漏れ(トークンと領域の対応ずれや、編集対象外の物体の注意が支配的になる問題)を特定し、拡散過程内で注意制約を課すことで、物体の混ざりや重複を防ぎ、高精度な編集を実現する手法を提案した。
原題: BindEdit: Taming Attention Leakage for Precise Multi-Object Image Editing / Chaewon Park, Soyoon Lee, Naeun Lee 他
日本語で読む →
PR・アフィリエイト広告
