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: 2026/6/11 / 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 →- 論文点群位置合わせ画像認識
コンピュータ支援手術における部分点群から全体点群への位置合わせのための点単位の幾何学的認識トランスフォーマー
部分点群と全体点群の位置合わせを高精度に行うため、局所幾何特徴と大域文脈を融合する粗密トランスフォーマーネットワークGAPR-Netを提案した。
原題: Point-Wise Geometry-Aware Transformer for Partial-to-Full Point Cloud Registration in Computer-Assisted Surgery / Siyu Zhou, Zhongliang Jiang
日本語で読む → - 論文マニピュレーションロボティクス
境界ボックスを目標に:ニューロシンボリック計画による言語条件付き把持
事前学習済みVLMと境界ボックス検出を用いて、自然言語の指示を物理世界の目標状態に変換し、追加学習なしでテーブルトップ操作を実行するフレームワークGRASPを提案した。
原題: Bounding Boxes as Goals: Language-Conditioned Grasping via Neuro-Symbolic Planning / Allison Andreyev, Landon Eum, Nestor Tiglao 他
日本語で読む → - 論文VLA/セキュリティロボティクス
軌道レベルでのリダイレクション攻撃:視覚言語行動モデルに対する
視覚言語行動(VLA)モデルに対して、指示文をわずかに変更するだけで、意図したタスクに見せかけつつ最終的な物理的結果を攻撃者が指定した目標に変える「軌道レベル」の脆弱性を発見し、その攻撃を自動生成する手法を提案した。
原題: Trajectory-Level Redirection Attacks on Vision-Language-Action Models / Gokul Puthumanaillam, Vardhan Dongre, Pranay Thangeda 他
日本語で読む → - 論文3D占有予測画像認識
VISA: VLMによる3D占有ワールドモデルのインスタンス意味監査
3D占有予測の精度向上のため、VLMを用いて物体インスタンスの意味を監査し、その情報を学習時に蒸留する手法を提案。推論時はVLM不要で、閉集合のmIoUを改善した。
原題: VISA: VLM-Guided Instance Semantic Auditing for 3D Occupancy World Models / Ruiqi Xian, Yuehan Xian, Jing Liang 他
日本語で読む → - 論文VLA画像認識
RepWAM: 表現型ビジュアル・アクショントークナイザによるワールドアクションモデリング
再構成ではなく意味的な視覚・行動の潜在空間を用いたワールドアクションモデルを提案し、実ロボット操作とシミュレーションで有効性を示した。
原題: RepWAM: World Action Modeling with Representation Visual-Action Tokenizers / Junke Wang, Qihang Zhang, Shuai Yang 他
日本語で読む → - 論文マルチモーダル学習ロボティクス
欠損モダリティに頑健な注意機構ベースの予測モデル
マルチモーダルロボット学習において、訓練・推論時に一部のセンサデータが欠損しても動作する、注意機構とCVAEを組み合わせたモデルを提案し、人間の軌道予測とロボット操作予測の2タスクで有効性を示した。
原題: An Attention-based Model for Robust Forecasting with Missing Modality / Zhitian Zhang, Wenjie Zi, Yunduz Rakhmangulova 他
日本語で読む → - 論文視覚エージェント/空間推論画像認識
知覚・対話・推論:空間推論のためのツール拡張型視覚エージェントの構築
視覚言語モデルの空間推論能力を高めるため、知覚・対話ツールを備えたエージェントPERIAを提案し、マルチツール行動の学習手法とともにその有効性を実証した。
原題: Perceive, Interact, Reason: Building Tool-Augmented Visual Agents for Spatial Reasoning / Changye Li, Meng Lu, Yi Wu 他
日本語で読む → - 論文ナビゲーションロボティクス
NavWAM: 目標条件付き視覚ナビゲーションのためのナビゲーションワールドアクションモデル
将来の視覚予測と行動生成を統合した拡散トランスフォーマーポリシーを提案し、シミュレーション事前学習と実機適応により、計画ベースのワールドモデルより高い性能を実現した。
原題: NavWAM: A Navigation World Action Model for Goal-Conditioned Visual Navigation / Daichi Azuma, Taiki Miyanishi, Koya Sakamoto 他
日本語で読む → - 論文マニピュレーションロボティクス
PhysVLA: 物理に基づく身体化ロボット操作のためのVLA
既存のVLAモデルは物理法則を無視するため、推論時に物理的整合性を補正するプラグアンドプレイのフレームワークPhysVLAを提案し、成功率と安定性を向上させた。
原題: PhysVLA: Towards Physically-Grounded VLA for Embodied Robotic Manipulation / Namai Chandra, Shriram Damodaran, Lin Wang
日本語で読む → - 論文VLA自然言語
LabVLA: 科学実験室における視覚言語行動モデルの基盤構築
科学実験室向けのVLAモデルを開発し、シミュレーションデータ生成と2段階学習で実験プロトコルの実行を可能にした。
原題: LabVLA: Grounding Vision-Language-Action Models in Scientific Laboratories / Baochang Ren, Xinjie Liu, Xi Chen 他
日本語で読む → - 論文VLA画像認識
MaskWAM: マスクプロンプトと予測を統合したワールドアクションモデル
ロボット制御のためのワールドアクションモデルに、マスクを入力と予測の両方に統合する手法を提案し、言語の曖昧さを低減して汎化性能を向上させた。
原題: MaskWAM: Unifying Mask Prompting and Prediction for World-Action Models / Hanyang Yu, Haitao Lin, Jingbo Zhang 他
日本語で読む → - 論文空間推論画像認識
SpatialClaw:エージェント的空間推論のためのアクションインターフェース再考
視覚言語モデルによる空間推論を強化するため、コードをアクションインターフェースとして用いる訓練不要のフレームワークSpatialClawを提案。状態を持つPythonカーネル上で柔軟に知覚・幾何プリミティブを組み合わせ、中間結果に応じて分析を適応させる。
原題: SpatialClaw: Rethinking Action Interface for Agentic Spatial Reasoning / Seokju Cho, Ryo Hachiuma, Abhishek Badki 他
日本語で読む → - 論文ソフトウェア操作エージェントcs.SE
ComAct: COMをアクションとして捉える新パラダイムによるプロフェッショナルソフトウェア操作の再定義
GUI操作やAPIに頼らず、WindowsのCOMを統一的な実行抽象として用い、プロフェッショナルソフトウェア操作を決定論的なプログラム合成として扱う新パラダイムを提案。産業用CAD操作のベンチマークComCADBenchを導入し、自己修正エージェントComActorが高い性能を示した。
原題: ComAct: Reframing Professional Software Manipulation via COM-as-Action Paradigm / Jiaxin Ai, Tao Hu, Xuemeng Yang 他
日本語で読む → - 論文世界モデル機械学習
EPM-JEPA:JEPA系世界モデルにおけるオペレータ側経験変調
JEPA系世界モデルで、テスト時の分布シフトに対応するため、経験表現を予測器の重みにLoRAで注入する方式(EPM-JEPA)を提案し、既存の隠れ状態への注入方式(EI-JEPA)と比較。結果は統計的に差がないという帰無結果だったが、重み変調の有効性を示唆する観察も得た。
原題: EPM-JEPA: Operator-Side Experience Modulation in JEPA-Family World Models / Vedant Pandya
日本語で読む → - 論文手術ロボティクス画像認識
GeoCFNet: ロボット支援内視鏡的粘膜下層剥離術のための幾何学認識信頼度フィールドネットワーク
内視鏡手術中の動的なシーンにおいて、煙やハイライト、組織変形などの課題に対処しつつ、解剖ガイドのための信頼度フィールドを幾何学的に推定するネットワークを提案した。
原題: GeoCFNet: Geometry-Aware Confidence Field Network for Robot-Assisted Endoscopic Submucosal Dissection / Rui Tang, Guankun Wang, Long Bai 他
日本語で読む → - 論文データアノテーションロボティクス
SPARC: ロボットデモからの信頼性校正付き空間アノテーションの大規模生成
ロボットのデモンストレーションから、信頼度スコア付きの構造化空間アノテーション(バウンディングボックスや物体軌跡など)を自動生成するリスク認識フレームワークを提案し、ノイズの多いラベルを減らしつつ有用なサンプルを保持する。
原題: SPARC: Reliable Spatial Annotations from Robot Demonstrations at Scale / Nils Blank, Paul Mattes, Maximilian Xiling Li 他
日本語で読む → - 論文マニピュレーションロボティクス
Mana: 関節ツールの巧みな操作
関節を持つツールの器用な操作を、アニメーション問題として捉え直したシミュレーションから実機への転移フレームワークを提案。
原題: Mana: Dexterous Manipulation of Articulated Tools / Zhao-Heng Yin, Guanya Shi, Pieter Abbeel 他
日本語で読む → - 論文ハンド/バイオミメティクスロボティクス
MCR-Bionic Hand: 巧緻操作のための解剖学的構造事前知識
ヒトの手の巧緻性は骨格や腱などの構造に一部コード化されているという考えに基づき、手首から指へのテノデーシスや伸筋フードなどの構造的知能を組み込んだ1:1筋骨格バイオミメティックハンドを開発し、硬貨回しやペン移動などの接触を伴うタスクでその有効性を示した。
原題: MCR-Bionic Hand: Anatomical Structural Priors for Dexterous Manipulation / Haosen Yang, Guowu Wei
日本語で読む → - 論文マルチモーダル生成画像認識
InterleaveThinker: エージェント型インターリーブ生成の強化
既存の画像生成器にテキストと画像の交互生成能力を付与するマルチエージェントパイプラインを提案し、プランナーと批評エージェントを用いて段階的な指示修正を強化学習で強化する。
原題: InterleaveThinker: Reinforcing Agentic Interleaved Generation / Dian Zheng, Harry Lee, Manyuan Zhang 他
日本語で読む → - 論文強化学習/拡散ポリシー機械学習
QPILOTS: フローポリシーのための効率的なテスト時Qステアリング
フローマッチングや拡散ポリシーを強化学習で最適化する際、推論時にノイズ除去プロセスをQ値の勾配で操縦する手法QPILOTSを提案し、オフラインからオンラインへのRLベンチマークで高い成功率を達成した。
原題: QPILOTS: Efficient Test-Time Q-Steering for Flow Policies / Yifan Ruan, Chenyang Cao, Andreas Burger 他
日本語で読む → - 論文柔軟構造の動力学制御
回転ハブ上のポストバックリング超柔軟倒立振子の動力学と状態依存多重平衡
超柔軟な倒立振子のポストバックリング動力学を解析し、ハブ角度に応じて平衡点が変化する現象を数理モデルと実験で示した論文。
原題: On the Dynamics and State Dependent Multiple Equilibria of a Post-Buckled Ultra-Flexible Inverted Pendulum on a Rotating Hub / Prasanna S Gandhi, Dhruvi Joshi, Vivek Natarajan 他
日本語で読む → - 論文生理計測画像認識
照明変化に頑健なロボット用カメラ心拍計測
ロボット搭載カメラでの心拍計測を照明変化に頑健にするため、空間時間トランスフォーマーと照明オーグメンテーションを組み合わせた新しい推定手法を提案した。
原題: Illumination-Robust Camera-Based Heart-Rate Estimation for Physiological Sensing in Robots / Zhi Wei Xu, Torbjörn E. M. Nordling
日本語で読む → - 論文ベンチマーク構築ロボティクス
具現化ベンチマーク構築の知的自動化:パイプライン、身体性、シミュレータ、そして動向
具現化知能のベンチマーク構築を5段階のパイプラインとして整理し、各段階での手動から自動化・基盤モデル支援・エージェント型クローズドループへの移行を分析したサーベイ論文。自動化はコスト削減ではなく、検証や監査などへのコストシフトをもたらすと結論づけている。
原題: Intelligent Automation for Embodied Benchmark Construction: Pipelines, Embodiments, Simulators, and Trends / Jinshan Lai, Jianwei Hu, Baoyang Jiang 他
日本語で読む → - 論文セキュリティ/敵対的攻撃cs.CR
機械学習ベースのネットワーク侵入検知システムにおけるカテゴリ別ロバスト性評価
ネットワーク侵入検知システムに使われるMLモデル(CNN、LSTM、ランダムフォレスト)を敵対的攻撃(FGSM、PGD)で評価し、ランダムフォレストが攻撃に脆弱である一方、CNNが比較的頑健であることを示した。
原題: Categorical Robustness Assessment for Machine Learning based Network Intrusion Detection Systems / Mayank Raj, Nathaniel D. Bastian, Lance Fiondella 他
日本語で読む → - 論文触覚AI
TouchThinker:大規模データと行動認識表現による触覚常識推論のオープンワールドへの拡張
触覚常識推論をオープンワールドに拡張するため、大規模データセットと行動認識表現を備えた触覚言語フレームワークTouchThinkerを提案した。
原題: TouchThinker: Scaling Tactile Commonsense Reasoning to the Open World with Large-scale Data and Action-aware Representation / Kailin Lyu, Di Wu, Pengwei Zhang 他
日本語で読む → - 論文模倣学習/ロボット技能獲得ロボティクス
LUCID: 非構造化人間ビデオからの身体非依存意図モデル学習による拡張可能な器用なロボット技能獲得
インターネット規模の非構造化人間ビデオからタスク意図を学習し、並列シミュレーションでロボット制御を学習する2段階フレームワークを提案。意図モデルは身体非依存で、異なるロボット形態に適用可能。
原題: LUCID: Learning Embodiment-Agnostic Intent Models from Unstructured Human Videos for Scalable Dexterous Robot Skill Acquisition / Harsh Gupta, Guanya Shi, Wenzhen Yuan
日本語で読む → - 論文顔認識攻撃画像認識
Adv-TGD: 顔認識なりすまし攻撃のための敵対的テキスト誘導拡散モデル
顔認識システムを欺くために、テキストプロンプトで条件付けした拡散モデルを用いて、ターゲットの人物に似せた自然な顔画像を生成する敵対的攻撃フレームワークを提案した。
原題: Adv-TGD: Adversarial Text-Guided Diffusion for Face Recognition Impersonation Attacks / Omid Ahmadieh, Nima Karimian
日本語で読む → - 論文模倣学習機械学習
フーリエ特徴量による高精度模倣学習ポリシーの実現
点群をフーリエ空間に写像して高周波特徴を直接利用できるようにし、模倣学習による高精度なロボット操作を実現した。
原題: Fourier Features Let Agents Learn High Precision Policies with Imitation Learning / Balázs Gyenes, Emiliyan Gospodinov, Jan Frieling 他
日本語で読む → - 論文強化学習ロボティクス
UniIntervene: 実世界強化学習の効率化のためのエージェント介入
人間参加型強化学習における介入コストを削減するため、非生産的な探索を検知し自律的に回復行動を生成するエージェント介入モデルUniInterveneを提案した。
原題: UniIntervene: Agentic Intervention for Efficient Real-World Reinforcement Learning / Haoyuan Deng, Yitong Gao, Yudong Lin 他
日本語で読む → - 論文VLA画像認識
予測を行動に変える:世界行動モデルにおける表現整合の再利用
世界行動モデル(WAM)の行動デコーダがタスク関連領域に注目せず、表現の不一致が行動精度を損なう問題を診断し、基盤ビジュアルエンコーダの意味表現と中間特徴を整合させるAGRAを提案。実機操作タスクで性能と汎化を向上させた。
原題: Making Foresight Actionable: Repurposing Representation Alignment in World Action Models / Lu Qiu, Yizhuo Li, Yi Chen 他
日本語で読む →
PR・アフィリエイト広告
