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: 2026/6/6 / 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 →- 論文模倣学習/言語指示ロボティクス
CLASP: 言語駆動型ロボットスキル選択とタスクパラメータ学習による合成
自然言語コマンドからロボットのスキルを選択・合成するモジュール型アーキテクチャを提案。少数のデモから学習したスキルをVLMで解釈し、データ効率と直感的な指示を両立する。
原題: CLASP: Language-Driven Robot Skill Selection and Composition using Task-Parameterized Learning / Markus Knauer, Valentin Gieraths, Tai Mai 他
日本語で読む → - 論文歩行ロボティクス
歩みに注意:正確な人型ロボットの足場追跡のための汎用学習フレームワーク
人型ロボットの足場配置を明示的に追跡する汎用の強化学習フレームワークを提案し、実世界のノイズに頑健な目標表現とゴールサンプラーにより、様々な高レベルプランナーと組み合わせ可能な低レベルコントローラを実現した。
原題: Mind Your Steps: A General Learning Framework for Accurate Humanoid Foothold Tracking / Alessandro Montenegro, Shihao Li, Puze Liu 他
日本語で読む → - 論文スキル接地/コード生成AI
スモール言語モデルによるコードリファクタリングを用いた効率的なスキル接地
スモール言語モデルを用いて、スキルの意味論と実行環境への結合を分離し、局所的なリファクタリングのみでスキルを接地するフレームワークRECENTを提案。LLM並みの性能をsLMで達成した。
原題: Efficient Skill Grounding via Code Refactoring with Small Language Models / Sera Choi, Wonje Choi, Saehun Chun 他
日本語で読む → - 論文VLAロボティクス
Ego-Pi: 自己中心視点の人間・ロボットデータによるVLAファインチューニング
ロボット操作のデータ不足を解決するため、自己中心視点の人間データを活用してVLAモデルをファインチューニングし、ロボットが新しいタスクの意味を学習し、既存スキルを組み合わせて新行動を生み出せることを示した論文。
原題: Ego-Pi: VLA Fine-Tuning for Ego-Centric Human and Robot Data / Ji Woong Kim, Ke Wang, Zipeng Fu 他
日本語で読む → - 論文画像編集/VLM画像認識
IEA: アマチュア向け対話型画像編集エージェント - 3段階のマルチタスクアライメントによる実現
パラメータ化された編集ツールを明示的かつ解釈可能なアクション空間で操作する対話型画像編集エージェントIEAを提案し、3段階のマルチタスク学習で訓練する。
原題: IEA: Amateur-Friendly Conversational Image Editing Agent via Three Stages of Multitask Alignment / Zichen Zhu, Yuheng Sun, Mingxuan Zhu 他
日本語で読む → - 論文VLA/推論最適化ロボティクス
vla.cpp: 視覚言語行動モデルのための統合推論ランタイム
ロボット上で動作する軽量なC++推論ランタイムを提案し、複数のVLAモデルを単一のランタイムで効率的に実行可能にした。
原題: vla.cpp: A Unified Inference Runtime for Vision-Language-Action Models / Khanh D. Nguyen, Hung T. Ho, Chinh T. Nguyen 他
日本語で読む → - 論文ロボット操作画像認識
Light-WAM: 状態融合アクション復号による効率的なワールドアクションモデル
ロボット操作のための軽量なワールドアクションモデルを提案し、将来予測の学習コストを削減しつつ、高速なアクション予測を実現した。
原題: Light-WAM: Efficient World Action Models with State-Fusion Action Decoding / Ziang Li, Dongzhou Cheng, Yibin Wang 他
日本語で読む → - 論文操作理解画像認識
劣化環境下でのロバストな操作理解のための信頼性のある視覚述語
ぼけや遮蔽などの視覚劣化下で、操作理解に用いる視覚述語(接触、把持など)の信頼性を評価する枠組みを提案し、劣化が述語の失敗に構造的な影響を与えることを示した。
原題: Trustworthy Visual Predicates for Robust Manipulation Understanding under Degradation / Fatemeh Ziaeetabar
日本語で読む → - 論文水中画像/インスタンス分割画像認識
水中境界顕著性注意モジュールを用いた軽量水中顕著インスタンス分割検出トランスフォーマー
水中画像の顕著なインスタンスを軽量に分割・検出するためのトランスフォーマーモデルを提案し、境界やコントラストなどの水中特有の手がかりを注意機構に組み込むことで、高速かつ高精度な推論を実現した。
原題: Aqua Boundary-Saliency Attention Module for Lightweight Underwater Salient Instance Segmentation Detection Transformer / M. Fazri Nizar, Julian Supardi, Muhammad Naufal Rachmatullah
日本語で読む → - 論文知覚/操作ロボティクス
ロボット操作における関節部品知覚の再考
関節部品の幾何学的構造を抽象化した「GPS」表現を提案し、VRデバイスで1分間の注釈で高品質なデータを収集、単一RGB-D画像から汎用的なGPSモデルを学習して操作に応用した。
原題: Revisiting Articulated Parts Perception in Robot Manipulation / Xiaoqian Wu, Yejie Guo, Xiaoyang Chen 他
日本語で読む → - 論文記憶/不確実性定量化画像認識
自信を持って記憶する:確率的保証を伴う時空間記憶の不確実性定量化
VLMによる説明文のノイズや視点依存性を考慮し、物体ごとの意味的不確実性を定量化して、不確実な物体を能動的に改善する時空間記憶システムUQ-DAAAMを提案した。
原題: Remember with Confidence: Uncertainty Quantification for Spatio-temporal Memory with Probabilistic Guarantees / Harry Zhang, Nicolas Gorlo, Luca Carlone
日本語で読む → - 論文表現学習機械学習
表現創発のブートストラップ理論:説明不足が表現学習と世界モデルを駆動する
表現学習において、既存の表現枠組みが説明不足に陥ったときに新しい表現レベルが必要となる過程を、5段階の再帰的プロセスとして理論化した概念枠組みを提案する論文。
原題: Bootstrap Theory of Representational Emergence: Explanatory Insufficiency as a Driver of Representation Learning and World Models / Jacques Raynal, Pierre Slangen, Elsa Raynal 他
日本語で読む → - 論文画像編集cs.GR
拡散編集における制御性と忠実性のフロンティアについて
拡散モデルによる画像編集の制御性と忠実性のトレードオフを理論的・実証的に分析し、編集手法の限界と安全対策を提案する論文。
原題: On the Controllability-Fidelity Frontier in Diffusion Editing / Yi Hu, Leying Yi, Emily Davis 他
日本語で読む → - 論文VLA画像認識
TBD-VLA: 時間ブロック拡散を用いた視覚言語行動モデル
離散トークン型の視覚言語行動モデル(VLA)において、行動系列を時間ブロックに分割し、ブロック内ではマスク拡散、ブロック間では自己回帰生成を行うことで、時間的一貫性と推論速度を両立する新しいフレームワークを提案した。シミュレーションと実機操作タスクで既存手法を上回る性能を示した。
原題: TBD-VLA: Temporal Block Diffusion Vision Language Action Model / Sung-Wook Lee, Xuhui Kang, Yen-Ling Kuo
日本語で読む → - 論文世界モデル画像認識
ビデオ世界モデルの潜在空間を行動関連にするもの:再構成よりも予測
ビデオ世界モデルの潜在表現が行動予測に有用となる要因を、統一的なプローブ評価で分析し、画素再構成よりも時間的予測が重要であることを示した論文。
原題: What Makes Video World Model Latents Action-Relevant: Prediction over Reconstruction / Jewon Yeom, Hanseul Kim, Jeongjae Park 他
日本語で読む → - 論文自動運転安全規格ロボティクス
自動運転時代のISO 26262再考:転移可能性と予測可能性による制御可能性の強化
自動運転車向けにISO 26262の「制御可能性」を分解し、転移可能性と予測可能性という2つの測定可能な概念を導入して、フォールバックと相互作用の主張を検証可能にする枠組みを提案した論文。
原題: Re-imagining ISO 26262 in the Age of Autonomous Vehicles: Enhancing Controllability through Transferability and Predictability / Chaitanya Shinde, Hadi Hajieghrary, Paul Schmitt 他
日本語で読む → - 論文医療AI自然言語
大規模言語モデルが医療で失敗するとき:プロンプト変動に対する感度の評価
医療用大規模言語モデルがプロンプトの微妙な言い換えや構文変更に敏感で、診断や薬剤推奨が変わったり有害な出力を生じることを、MedMCQAベンチマークを用いた系統的解析で明らかにした。
原題: When Large Language Models Fail in Healthcare: Evaluating Sensitivity to Prompt Variations / Mahdi Alkaeed
日本語で読む → - 論文触覚推定/拡散モデル画像認識
EgoPressDiff: 自己中心視点のUV領域手圧力推定のためのマルチモーダルビデオ拡散
自己中心視点の映像から手の表面圧力を推定する新しいビデオ拡散フレームワークを提案。手のポーズと3Dメッシュ頂点、深度情報を組み合わせて圧力場を生成し、従来手法より精度を大幅に向上させた。
原題: EgoPressDiff: Multimodal Video Diffusion for Egocentric UV-Domain Hand-Pressure Estimation / Yuan Zeng, Zilue Gao, Yujia Shi 他
日本語で読む → - 論文ビデオ改ざん検出画像認識
真正なビデオストリームにおける時間的に局所的な改ざんの検出
短い改ざん区間が挿入された真正なビデオを検出するためのデータセットを提案し、DINOv3特徴量を用いた2つの手法で初期ベンチマークを確立した。
原題: Detecting Temporally Localized Manipulations in Authentic Video Streams / Okan Umur, Ali Emre Güşlü, Ibrahim Delibasoglu
日本語で読む → - 論文VLA/メタ学習ロボティクス
重み空間メタ学習によるロボットポリシー適応
VLAモデルを新しいタスクに適応させる際、タスク固有のデモや微調整を不要にするため、言語指示と短いデモ動画からLoRAパラメータを直接生成するメタ学習フレームワークWIZARDを提案した。
原題: Robotic Policy Adaptation via Weight-Space Meta-Learning / Christian Bianchi, Siamak Yousefi, Alessio Sampieri 他
日本語で読む → - 論文3Dトラッキング/再識別画像認識
外観は役立つのか?オンライン3Dマルチ歩行者追跡における画像ベース再識別の体系的研究
LiDARベースの3D追跡に軽量な画像ベース再識別を統合し、外観と動きの特徴をカスケード方式で統合することで、精度を保ちつつ隠れた歩行者の追跡を回復できることを示した研究。
原題: Does Appearance Help? A Systematic Study of Image-Based Re-Identification in Online 3D Multi-Pedestrian Tracking / Eduardo Borges, Luís Garrote, Urbano J. Nunes
日本語で読む → - 論文ブロックチェーン/データ経済cs.CR
インテリジェントなサイバー・物理・社会システムのためのブロックチェーン基盤:具現化AI時代における耐量子セキュリティ、相互運用性、信頼できるデータ経済
具現化AIと量子コンピューティングの進展に対応するため、ブロックチェーンを耐量子暗号とデータ共有を実現する基盤として解説するチュートリアル。
原題: Blockchain Infrastructure for Intelligent Cyber--Physical--Social Systems:Post-Quantum Security, Interoperability, and Trustworthy Data Economies in the Era of Embodied AI / Song Guo, Huawei Huang, Dongping Liu 他
日本語で読む → - 論文ナビゲーションロボティクス
MinNav: 光学フローを用いた小型空中ロボットのミニマリスト航法
単眼カメラの光学フローと不確実性を用いて、事前知識なしに静的・動的障害物や未知形状の隙間を飛行する航法スタックを提案し、実機実験で70%の成功率を達成した。
原題: MinNav: Minimalist Navigation Using Optical Flow For Active Tiny Aerial Robots / Aniket Patil, Mandeep Singh, Uday Girish Maradana 他
日本語で読む → - 論文因果推論stat.ML
一般介入下での自動・デバイアス・不変な反事実生成
ADIGenという、一般介入(高次元介入・結果を含む)に対する反事実生成の枠組みを提案。Riesz回帰、因果不変性、直交統計学習を組み合わせ、密度比推定の不安定性や分布シフト、モデル誤特定によるバイアスを克服する。
原題: Automatic, Debiased, and Invariant Counterfactual Generation under General Interventions / Raphael C Kim, Jingsen Zhu, Ramin Zabih 他
日本語で読む → - 論文強化学習機械学習
適応的質問と世界モデルプローブによる明示的行動モデルの学習
報酬のみで訓練されたエージェントの脆さを改善するため、明示的な記号的行動モデル(ESBM)を導入し、適応的質問と世界モデルプローブを用いて行動の仕組みを学習・検証する手法を提案した。
原題: Learning Explicit Behavioral Models with Adaptive Questions and World-Model Probes / Hikaru Shindo, Yu Deng, Teng Cao 他
日本語で読む → - 論文強化学習機械学習
GenPO++: ヤコビアンフリー尤度比を用いた生成的方策最適化
フローベースの生成的方策を強化学習に適用する際、実行アクションの確率評価が難しい問題を、高次可逆ODEソルバーと履歴状態を利用して正確かつヤコビアンフリーな尤度比計算を実現する枠組みを提案した。大規模シミュレーションや実ロボット操作タスクで優れた性能を示した。
原題: GenPO++: Generative Policy Optimization with Jacobian-free Likelihood Ratios / Ke Hu, Shutong Ding, Panxin Tao 他
日本語で読む → - 論文VLA/行動表現ロボティクス
ActionMap: ボクセル行動ヒートマップによるロボットポリシー学習
既存のVLAモデルの行動デコーダを、行動空間上のボクセルヒートマップを予測するヘッドに置き換えることで、学習効率と性能を向上させる手法を提案した論文。
原題: ActionMap: Robot Policy Learning via Voxel Action Heatmap / Pei Yang, Hai Ci, Yanzhe Chen 他
日本語で読む → - 論文全身制御ロボティクス
HANDOFF: 蒸留された相補的教師によるヒューマノイドのタスク空間全身制御
ヒューマノイドロボットのための直感的で汎用的なコマンド空間を提案し、複数の専門家を蒸留して統合した全身制御器を開発。実機で言語指示による多様なタスクを実証した。
原題: HANDOFF: Humanoid Agentic Task-Space Whole-Body Control via Distilled Complementary Teachers / Lizhi Yang, Junheng Li, Nehar Poddar 他
日本語で読む → - 論文画像生成/拡散モデル画像認識
分解された視覚プロキシによる直接的な3D認識オブジェクト挿入
背景画像へのオブジェクト挿入を、3Dポーズ制御可能な拡散モデルベースのフレームワークDIRECTを提案。外観・幾何・文脈の3条件を分離注入し、高品質な合成とポーズ操作を両立する。
原題: Direct 3D-Aware Object Insertion via Decomposed Visual Proxies / Jingbo Gong, Yikai Wang, Yushi Lan 他
日本語で読む → - 論文システム工学ロボティクス
IDDMBSE:データ駆動型とモデルベースのシステム工学を統合した自律サイバー物理システムの信頼性確保手法
モデルベースシステム工学(MBSE)とデータ駆動型ML/AIを統合する新しいシステム工学手法IDDMBSEを提案し、SysMLベースのツールチェーン(PERFECT、TRADES-X、VERITAS)を実装して自律地上ロボットの開発ライフサイクル全体で実証した。
原題: IDDMBSE: Integrating Data-Driven and Model-Based Systems Engineering for Trusted Autonomous Cyber-Physical Systems / John S. Baras, Sai Sandeep Damera, Ryan Matheu 他
日本語で読む →
PR・アフィリエイト広告
