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: 2026/6/9 / 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6Dポーズ推定/農業ロボティクス画像認識
シミュレーションから実世界へ:ロボットイチゴ収穫のための実地6Dポーズデータセットとベースライン
実際の農場で収集した初のイチゴ6Dポーズ実データセットを提供し、シミュレーションとのギャップを定量化してベースライン性能を示した論文。
原題: From Simulation to the Real-World: An In-Field 6D Pose Dataset and Baseline for Robotic Strawberry Harvesting / Woojung Son, Won Suk Lee, Zijing Huang 他
日本語で読む → - 論文最適制御ロボティクス
リーマン幾何に基づく逆最適制御のための勾配法バイレベル最適化
逆最適制御を最適解の多様体上の最適化問題として再定式化し、観測軌道を多様体に投影するリーマン逆最適制御法を提案。実データで計算時間を約4分の1に削減しつつ精度を維持した。
原題: Gradient based Bilevel for Inverse Optimal Control, a Riemannian approach / Ahmed-Manaf Dahmani, Vincent Bonnet, David Daney 他
日本語で読む → - 論文3D生成/解釈可能性画像認識
3D-CBM: 生成的3Dモデリングにおける概念ベース解釈可能性のためのフレームワーク
3D生成モデルに概念ボトルネックモデルを組み込み、点群やメッシュなどの幾何学入力を人間が定義した概念にマッピングすることで、解釈可能性とテスト時の介入を可能にするフレームワークを提案した。
原題: 3D-CBM: A Framework for Concept-Based Interpretability in Generative 3D Modeling / Ahmad Al-Kabbany
日本語で読む → - 論文模倣学習/操作ロボティクス
器用なポイントポリシー:人間のデモから学習するポイントベースの器用な手のポリシー
人間のビデオから直接、器用な操作ポリシーを学習するフレームワークを提案。3Dキーポイント表現で人間とロボットの身体性のギャップを埋め、ロボットデモなしで実ロボットタスクを高い成功率で達成。
原題: Dexterous Point Policy: Learning Point-based Dexterous Hand Policies from Human Demonstrations / Beomjun Kim, Seong Hyeon Park, Seunghoon Sim 他
日本語で読む → - 論文3D再構成/操作軌道合成画像認識
ManiSplat: 単眼ビデオからの操作軌道合成 - 分離型3Dガウシアンスプラッティングによるアプローチ
ロボットの単眼ビデオから、ロボット・物体・背景を分離した3Dガウシアン表現を構築し、操作タスクの軌道を合成するフレームワークを提案した。
原題: ManiSplat: Manipulation Trajectory Synthesis from Monocular Video via Decoupled 3D Gaussian Splatting / Wenhao Hu, Haonan Zhou, Liu Liu 他
日本語で読む → - 論文VLA/階層制御ロボティクス
ロボットポリシー編成における重要要素:階層型VLAエージェントの体系的研究
階層型VLAシステムの設計原則を体系的に研究し、プランナーとコントローラの選択や接続方法などが性能に与える影響を分析。導出した原則に基づくシステムが、フラットなVLAや素朴な階層構造より優れることをシミュレーションと実機で示した。
原題: What Matters in Orchestrating Robot Policies: A Systematic Study of Hierarchical VLA Agents / Jiaheng Hu, Mohit Shridhar, Caden Lu 他
日本語で読む → - 論文世界モデルstat.ML
ガウス性を超えた識別可能性:シンボリック世界モデルとほぼ無限の時間的一貫性
統計的世界モデルの時間的一貫性の限界がガウス過程に起因することを示し、物理に基づくシンボリックアーキテクチャ(PGSA)が非ガウス系でも正確な線形識別可能性とほぼ無限の時間的一貫性を達成することを証明した論文。
原題: Identifiability Without Gaussianity: Symbolic World Models and Near-Infinite Temporal Consistency / Seth Dobrin, Łukasz Chmiel
日本語で読む → - 論文ニューラルレンダリング画像認識
TRON: 3Dガウス再構成のためのニューラルレンダラをオーケストレーションする光線追跡
3Dガウス表現に光線追跡とニューラルレンダリングを組み合わせ、実シーンの再照明や動的物体操作、マテリアル編集を可能にするレンダリングフレームワークを提案。
原題: TRON: Tracing Rays to Orchestrate a Neural Renderer for 3D Gaussian Reconstructions / Or Perel, Hassan Abu Alhaija, Zian Wang 他
日本語で読む → - 論文VLA自然言語
APIを超えて:物理的な道具使用におけるMLLMの限界を探る
物理的な道具使用を評価する初のベンチマークPhysTool-Benchを導入し、13の主要なMLLMが実世界のシーンで道具の認識と使用計画に苦戦することを示した。
原題: Beyond APIs: Probing the Limits of MLLMs in Physical Tool Use / Zhixin Ma, Yutong Zhou, Yongqi Li 他
日本語で読む → - 論文セキュリティ/拡散ポリシーロボティクス
テスト時敵対的乗っ取り:ロボット拡散ポリシーに対するリアルタイムハイジャックインターフェース
拡散ベースのロボットポリシーを攻撃者がリアルタイムに遠隔操作できるようにする手法TAKOを提案し、複数のタスクと環境で100%の成功率を達成した。
原題: Test-time Adversarial Takeover: A Real-time Hijacking Interface against Robotic Diffusion Policies / Zi Yin, Peilin Chai, Siyuan Huang 他
日本語で読む → - 論文VLAロボティクス
視覚-行動ロボットデータの再ラベリングによるタスク堅牢性向上
大規模視覚言語モデルを用いて既存のロボットデータセットを拡張し、追加データ収集なしで指示追従性能と汎化性を向上させるフレームワークTREADを提案した。
原題: Task Robustness via Re-Labelling Vision-Action Robot Data / Artur Kuramshin, Özgür Aslan, Cyrus Neary 他
日本語で読む → - 論文VLA/操作画像認識
LIBERO-Occ: 視点想像によるシーン起因の遮蔽下での視覚言語行動モデルの評価と改善
遮蔽がある操作環境でVLAモデルの性能が低下する問題を調べ、遮蔽評価ベンチマークLIBERO-Occを導入し、補完視点を想像して行動予測に活用する手法VIMを提案した。
原題: LIBERO-Occ: Evaluating and Improving Vision-Language-Action Models under Scene-Induced Occlusion via Viewpoint Imagination / Taishan Li, Jiwen Zhang, Siyuan Wang 他
日本語で読む → - 論文世界モデル評価画像認識
WorldOlympiad:あなたの世界モデルはトライアスロンを生き残れるか?
ビデオベースの世界モデルを物理的忠実性、幾何学的整合性、相互作用の忠実性の3つの観点から評価するベンチマークWorldOlympiadを提案する。
原題: WorldOlympiad: Can Your World Model Survive a Triathlon? / Yuke Zhao, Wangbo Zhao, Weijie Wang 他
日本語で読む → - 論文VLA画像認識
ScoutVLA:オープンワールド具現化質問応答のためのデュアルエキスパートVLAモデルによるUAV中心の能動知覚
UAVが環境を能動的に知覚して質問に答える空中具現化質問応答(EQA)において、証拠探索に必要な微細な視点調整を可能にするベンチマークFG-EQAと、ミツバチのダンスに着想を得たデュアルエキスパート型VLAモデルScoutVLAを提案した。
原題: ScoutVLA: UAV-Centric Active Perception via a Dual-Expert VLA Model for Open-World Embodied Question Answering / Wenhao Lu, Zhengqiu Zhu, Xiaofeng Wang 他
日本語で読む → - 論文ナビゲーションロボティクス
SpaceVLN: オンライン空間認知記憶と推論を備えたゼロショット視覚言語ナビゲーションエージェント
連続環境での視覚言語ナビゲーションにおいて、空間構造を理解し指示に従うゼロショットエージェントを提案。空間認知記憶とタスク誘導型空間推論を導入し、探索領域を階層的に抽象化してナビゲーションを効率化する。
原題: SpaceVLN: A Zero-Shot Vision-and-Language Navigation Agent with Online Spatial Cognitive Memory and Reasoning / Yucheng Deng, Pingrui Lai, Xinhai Li 他
日本語で読む → - 論文敵対的攻撃cs.CR
目は見えてもLLMは見逃す:人間の知覚を利用した敵対的テキスト攻撃
LLMベースのコンテンツモデレーションが視覚的手がかりを無視する脆弱性を突き、人間には有害と認識されるが機械には検出されにくいタイポグラフィ操作による敵対的攻撃手法を提案した。
原題: What the Eyes See, the LLMs Miss: Exploiting Human Perception for Adversarial Text Attacks / Qin Yang, Lu Malloy, Joshua Lee 他
日本語で読む → - 論文触覚推定画像認識
EgoTactile: 一人称視点ビデオから日常物体の把持圧力を学習する
一人称視点ビデオと全手の圧力データを組み合わせたベンチマークを構築し、拡散モデルを用いて視覚情報から把持圧力を推定する手法を提案した。
原題: EgoTactile: Learning Grasp Pressure for Everyday Objects from Egocentric Video / Yuan Zeng, Yujia Shi, Tiao Tan 他
日本語で読む → - 論文イベントカメラ/姿勢推定画像認識
イベントカメラによる絶対姿勢と速度推定のための幾何学的フレームワーク
イベントカメラのストリームから3Dラインとイベント平面の幾何学的制約を用いて、絶対姿勢と速度を同時に推定する新しい幾何学的フレームワークを提案した。
原題: A Geometric Framework for Absolute Pose and Velocity Estimation with Event Cameras / Zibin Liu, Shunkun Liang, Banglei Guan 他
日本語で読む → - 論文器用操作/模倣学習ロボティクス
DexPIE: 実世界経験からの安定した器用なポリシー改善
実世界展開で収集した経験を用いて、器用な操作ポリシーを事後訓練で改善するフレームワークを提案。介入システムとDAgger風データ収集、相対行動空間での非同期推論、連続最適性指標による条件付けで、デモデータのみのポリシーより成功率を37%向上させた。
原題: DexPIE: Stable Dexterous Policy Improvement from Real-World Experience / Ruizhe Liao, Wenrui Chen, Liangji Zeng 他
日本語で読む → - 論文触覚ロボティクス
イベントベース光触覚センサによる高密度力推定
イベントベースの光触覚センサを用いて、3次元の高密度力場を再構成する初のフレームワークを提案。イベントデータから表面変位を推定し、逆有限要素法で力に変換する。
原題: Dense Force Estimation with an Event-based Optical Tactile Sensor / Agis Politis, René Zurbrügg, Valentina Cavinato
日本語で読む → - 論文VLA/障害回復ロボティクス
ReCoVLA: VLMガイドによる報酬生成で視覚言語行動ポリシーの障害回復を実現
事前学習済みのVLAポリシーを凍結し、外部VLMで障害モードと回復段階を推定して報酬を構成することで、シミュレーションでの残差ポリシー訓練と実機へのゼロショット転送を行う障害回復フレームワークを提案した。
原題: ReCoVLA: VLM-Guided Reward Compilation for Failure Recovery in Vision-Language-Action Policies / Haodi Hu, Chung-Ta Huang, Jing Liu 他
日本語で読む → - 論文VLAロボティクス
iMaC: 動作と接触画像への変換による具現化ワールドモデル
ロボット操作のための新しい制御パラダイムを提案し、画像をアクション表現として用いることで、従来のベクトルベースのアクションよりも表現力と汎化性を向上させる。
原題: iMaC: Translating Actions into Motion and Contact Images for Embodied World Models / Zhenyu Wu, Xiuwei Xu, Yukun Zhou 他
日本語で読む → - 論文医療AI/マルチモーダル画像認識
XMedFusion: 自律医療システムのための知識誘導型マルチモーダル知覚・推論フレームワーク
放射線科レポート生成を強化するため、視覚エージェントと知識グラフ構築、検索支援ドラフト、合成エージェントを組み合わせたモジュール型AIフレームワークを提案し、胸部X線データセットで既存モデルより高い性能を示した。
原題: XMedFusion: A Knowledge-Guided Multimodal Perception and Reasoning Framework for Autonomous Medical Systems / Hamza Riaz, Arham Haroon, Maha Baig 他
日本語で読む → - 論文VLA画像認識
多様な経験によるスケーリング:視覚言語行動モデルのための手法
視覚言語行動モデルの実世界展開における課題を解決するため、意図分離アルゴリズムと類似サンプル誘導型強化学習を導入し、ロボットタスクとマルチモーダルベンチマークで優れた性能を達成した。
原題: Scaling by Diversified Experience for Vision-Language-Action Models / Leiyu Wang, Zhaofengnian Wang, Xueqi Li 他
日本語で読む → - 論文運動推定画像認識
非同期微分SfMによる全自由度運動推定のための最小解法
イベントカメラの非同期データから、角速度と線速度を同時に推定する全自由度の自己運動推定フレームワークを提案し、5点を用いた最小解法を初めて導出した。
原題: Minimal Solvers for Full-DoF Motion Estimation from Asynchronous Differential SfM / Shuo Pan, Banglei Guan, Bin Li 他
日本語で読む → - 論文安全フィルタロボティクス
モデルはすでに知っている:視覚言語行動モデルのための注意誘導型安全フィルタ
VLAモデルの注意ヘッドを利用して、各ステップで操作対象を特定し、残りを障害物として扱うCBFフィルタを構築。動的障害物を含む環境で安全性能を向上させた。
原題: Your Model Already Knows: Attention-Guided Safety Filter for Vision-Language-Action Models / Seongbin Park, Fan Zhang, Baharan Mirzasoleiman 他
日本語で読む → - 論文VLA/推論高速化機械学習
C$^3$ache: クロス推論チャンクキャッシュによるワールドアクションモデルの高速化
ワールドアクションモデル(WAM)の推論を高速化するため、異なる推論チャンク間で残差をキャッシュして再利用する学習不要の手法C$^3$acheを提案し、最大2.5倍の高速化を達成した。
原題: C$^3$ache: Accelerating World Action Models with Cross Inference Chunk Cache / Weisen Zhao, Lam Nguyen, Zhicong Lu 他
日本語で読む → - 論文知識グラフ/LLMロボティクス
USDシーンから知識グラフへ:LLMによるゼロショットオントロジー接地
3Dシミュレーションシーンから知識グラフを構築する際の物体とオントロジークラスの対応付けを、大規模言語モデルを用いてゼロショットで自動化する手法を提案・評価した論文。
原題: From USD Scenes to Knowledge Graphs: Zero-Shot Ontology Grounding with LLMs / Jiangtao Shuai, Zongxiong Chen, Manfred Hauswirth 他
日本語で読む → - 論文物体検出画像認識
ContextShift: 物体検出における文脈依存性のための制御されたベンチマーク
物体検出器の文脈変化に対する頑健性を評価するため、物体の見た目を保ちつつ文脈関係を系統的に操作する制御ベンチマークContextShiftを導入し、既存の指標では隠れる性能低下を明らかにした。
原題: ContextShift: A Controlled Benchmark for Context Dependence in Object Detection / Dan Zlotnikov, Alex Lazarovich, Ohad Ben-Shahar
日本語で読む → - 論文3D生成画像認識
ABot-Earth 0.5: 生成型3D地球モデル
衛星画像から広大な3D環境を生成する生成モデルを提案し、3Dガウススプラッティングを用いてリアルな都市景観を高速に合成する。
原題: ABot-Earth 0.5: Generative 3D Earth Model / Ming Qian, Tianjian Ouyang, Mingchao Sun 他
日本語で読む →
PR・アフィリエイト広告
