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: 2026/6/4 / 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 →- 論文強化学習機械学習
表現学習がマルチタスク深層強化学習のスケーラビリティを実現する
モデルベース制御ではなく表現学習がマルチタスクRLのスケーラビリティの鍵であると主張し、予測的表現学習と高容量価値関数を組み合わせたモデルフリーアルゴリズムMR.Qを提案・評価した。
原題: Representation Learning Enables Scalable Multitask Deep Reinforcement Learning / Johan Obando-Ceron, Lu Li, Scott Fujimoto 他
日本語で読む → - 論文VLA画像認識
DRIFT: 視覚言語モデルの連続出力を解読するための残差フローアダプタ
DRIFTは、事前学習済みの視覚言語モデルを連続値出力タスクに適応させるフレームワークで、粗い予測を基にフローマッチングで残差を生成・改善します。視覚的グラウンディングやロボット制御で既存手法を上回る性能を示しました。
原題: DRIFT: A Residual Flow Adapter for Decoding Continuous Outputs in Vision-Language Models / Zhuoming Liu, Jinhong Lin, Kwan Man Cheng 他
日本語で読む → - 論文最適化機械学習
二重プレコンディショニング(DoPr):検証損失ではなくテスト時性能のための最適化
自己回帰生成やロボットポリシー学習など、予測を繰り返す展開時に誤差が蓄積する問題に対し、勾配と活性化の両方を前処理する新しい最適化手法DoPrを提案し、テスト時性能を向上させる。
原題: Double Preconditioning (DoPr): Optimization for Test-Time Performance, not Validation Loss / Thomas T. Zhang, Alok Shah, Yifei Zhang 他
日本語で読む → - 論文安全性ロボティクス
長期的タスクのための安全な具現化AI:ロボット操作のクロスレイヤー分析
本論文は、長期的なロボット操作における安全性を、計画時・方策時・実行時の介入箇所に基づいて体系的にレビューし、各研究の証拠の強さを分析したサーベイである。
原題: Safe Embodied AI for Long-horizon Tasks: A Cross-layer Analysis of Robotic Manipulation / Dabin Kim, Daemin Park, Sangyub Lee 他
日本語で読む → - 論文シーン生成画像認識
HomeWorld: フロアプランから家具付きまでを統合した、制御可能で高密度にインタラクティブな住宅全体シーン生成フレームワーク
住宅全体のシーン生成を、フロアプラン生成、家具レイアウト生成、小物体配置の階層的フレームワークに分解し、大規模データとLLM、画像生成、VLMリファイナーを用いて制御可能かつシミュレーション可能なシーンを生成する手法を提案した。
原題: HomeWorld: A Unified Floorplan-to-Furnished Framework for Generating Controllable, Densely Interactive Whole-Home Scenes / Wenbo Li, Xiaoliang Ju, Zipeng Qin 他
日本語で読む → - 論文点群処理ロボティクス
RadiusFPS: 球状ボクセル刈り込みによるCPU・GPU上の効率的な最遠点サンプリング
点群のダウンサンプリング手法である最遠点サンプリング(FPS)を高速化するため、球状ボクセル刈り込みと座標ごとのスキップテストを導入し、GPU実装で最大2.5倍の高速化を達成した。
原題: RadiusFPS: Efficient Farthest Point Sampling on CPUs and GPUs via Spherical Voxel Pruning / Ziyang Yu, Xiang Li, Qiong Chang 他
日本語で読む → - 論文ソフトロボティクスロボティクス
高速成長するつる型ロボットのための先端マウント設計とベンチマーキング
つる型ロボットの先端にセンサーを取り付けるための三角形ローラー式マウントを設計し、成長時の内部抵抗を低減。専用テストベッドで従来設計と比較し、最も低い張力と再現性の高い成長を実証した。
原題: Gotta Grow Fast: Design and Benchmarking of a Tip Mount for High-Speed Vine Robots / Antonio Alvarez Valdivia, Robert Reeve, Ankush Dhawan 他
日本語で読む → - 論文歩行ロボティクス
LadderMan: 人型ロボットによる知覚的梯子登りの学習
人型ロボットが様々な梯子を頑健に登り、梯子上での操作も行える統一システムを提案。シミュレーションで学習したポリシーを実機にゼロショット転送し、多様な梯子形状での登攀と操作タスクを実現した。
原題: LadderMan: Learning Humanoid Perceptive Ladder Climbing / Siheng Zhao, Yuanhang Zhang, Ziqi Lu 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 → - 論文制御制御
水中潜水機の動的モデルに対する追従制御
水中車両の追従制御問題に対し、ハミルトン構造を保つ新しい誤差関数を導入し、エネルギーに基づく追従制御則を導出・検証した。
原題: Tracking Control for a Dynamic Model of an Underwater Submersible / Matthew Hampsey, Pieter van Goor, Ravi Banavar 他
日本語で読む → - 論文3Dセグメンテーション画像認識
T-FunS3D: タスク駆動型階層的オープンボキャブラリ3D機能セグメンテーション
ロボットが3Dシーン内の機能的オブジェクト部品をタスク記述に基づいて特定するための、タスク駆動型の階層的オープンボキャブラリ3D機能セグメンテーション手法を提案した。
原題: T-FunS3D: Task-Driven Hierarchical Open-Vocabulary 3D Functionality Segmentation / Jingkun Feng, Reza Sabzevari
日本語で読む → - 論文布地操作画像認識
布地操作のための合成データ生成と視覚に基づくしわ・キーポイント検出
布地の操作を支援するため、Blenderで合成データを生成し、しわ検出器とキーポイント検出器を訓練。両手操作アルゴリズムでしわを利用して布を伸ばし、その後キーポイントでアイロン掛けを行う。
原題: Synthetic Data Generation and Vision-based Wrinkle and Keypoint Detection for Bimanual Cloth Manipulation / Ariel Herrera, Xueyang Kang, Atal Anil Kumar
日本語で読む → - 論文制御制御
償却型非線形モデル予測制御
非線形モデル予測制御の計算負荷を軽減するため、状態依存の二次計画問題とニューラルネットワークによる残差補正を組み合わせ、実時間制御を高速化する手法を提案した。
原題: Amortized Nonlinear Model Predictive Control / Francesco Pillitteri, Alberto Bemporad
日本語で読む → - 論文3Dシーン理解画像認識
PAR3D: 部品認識表現を用いた統合3Dマルチモーダル大規模言語モデルによるシーン理解
3Dシーン理解のための部品レベルの認識を可能にする統合3D-MLLMフレームワークPAR3Dを提案し、部品注釈付き合成データセットScenePartと階層的セグメンテーションクエリ生成により、部品レベルの質問応答と参照セグメンテーションを改善した。
原題: PAR3D: A Unified 3D-MLLM with Part-Aware Representation for Scene Understanding / Shaohui Dai, Yansong Qu, You Shen 他
日本語で読む → - 論文モーション生成画像認識
KV-Control: 軌道制御テキスト・モーション生成のためのパラメータ効率的K/V注入
テキスト条件付き3Dモーション生成モデルに、軌道や関節の制約を注入するための軽量なアテンション側制御インターフェースを提案。事前学習済みモデルを凍結しつつ、自己アテンションに制御用のキー/バリューを注入することで、高精度な制御を実現する。
原題: KV-Control: Parameter-Efficient K/V Injection for Trajectory-Controlled Text-to-Motion / Tengjiao Sun, Pengcheng Fang, Xiaoyu Zhan 他
日本語で読む → - 論文VLAロボティクス
ActiveMimic: 能動的知覚を備えた自己中心視点ビデオ事前学習
自己中心視点の人間ビデオから能動的知覚(カメラ動作)を活用してロボット操作を事前学習するフレームワークを提案し、ロボットデータ事前学習と同等の性能を実現した。
原題: ActiveMimic: Egocentric Video Pretraining with Active Perception / Xingyao Lin, Guojin Zhong, Tianyi Lu 他
日本語で読む → - 論文ソーシャルAI画像認識
共鳴する心:心の理論を備えた閉ループソーシャルアバター
認知推論とマルチモーダル生成を統合した閉ループデュアルエージェントフレームワークを提案し、心の理論による社会的推論と感情制御可能な動画生成を組み合わせて、リアルな対話と表情・反応を実現する。
原題: Resonant Minds: Closed-Loop Social Avatars with Theory of Mind / Jianxu Shangguan, Jing Xu, Hang Ye 他
日本語で読む → - 論文LLMエージェント評価機械学習
LLMエージェントのオフ方策評価のための自己回帰拡散ワールドモデル
事前収集した軌跡のみから、新しいLLMエージェント方策の性能を推定する評価フレームワークADWMを提案。各遷移を独立した拡散過程としてモデル化し、方策条件付きスコア関数でエージェントの意思決定を反映したシミュレーションを実現する。
原題: Autoregressive Diffusion World Models for Off-Policy Evaluation of LLM Agents / Kaixuan Liu, Guojun Xiong, Weinan Zhang 他
日本語で読む → - 論文ナビゲーションAI
WorldFly: UAVナビゲーションのためのワールドモデル基盤の視覚言語行動モデル
UAVナビゲーションのための新しいVLAフレームワークで、将来の映像予測と行動を同時生成するデュアルブランチ結合フローマッチング機構を導入し、空間想像による意思決定を強化する。
原題: WorldFly: A World-Model-Based Vision-Language-Action Model for UAV Navigation / Shengtao Zheng, Kai Li, Weichen Zhang 他
日本語で読む → - 論文空間記憶/ビデオ理解画像認識
LongSpace: ビデオにおける知覚から想起までの長期的空間記憶の探求
長期的な空間記憶を評価するベンチマークLongSpace-Benchを導入し、3D構造的手がかりと層認識メモリを用いた空間推論フレームワークLongSpaceを提案した。
原題: LongSpace: Exploring Long-Horizon Spatial Memory from Perception to Recall in Video / Shiqiang Lang, Jing Liu, Haoyang He 他
日本語で読む → - 論文VLAロボティクス
世界・言語・行動モデル:統一的世界モデリング、言語推論、行動合成
テキスト指示、画像、ロボット状態から、テキストのサブタスク、サブゴール画像、ロボット行動を同時予測する新しい基盤モデルWLAを提案。ARトランスフォーマーを用いて世界予測と言語推論を統合し、推論時には世界予測を無効化できる。
原題: World-Language-Action Model for Unified World Modeling, Language Reasoning, and Action Synthesis / Yi Yang, Zhihong Liu, Siqi Kou 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VLA/操作ロボティクス
AffordanceVLA:アフォーダンス認識による行動生成を強化する視覚言語行動モデル
視覚言語モデルとロボット制御の構造的ミスマッチを解消するため、アフォーダンス予測を中間表現として導入し、物体の接地・2D位置特定・3D幾何推論を段階的に行う統一フレームワークを提案した。
原題: AffordanceVLA: A Vision-Language-Action Model Empowering Action Generation through Affordance-Aware Understanding / Qize Yu, Jiadi You, Yuran Wang 他
日本語で読む → - 論文安全制御制御
高次システム向けモデルフリー制御バリア関数のアプローチ
制御バリア関数をモデルなしで高次非線形システムに拡張し、動的モデルや状態測定を必要とせずに安全制御を実現する手法を提案した。7自由度ロボットアームで実証した。
原題: A model-free approach to control barrier functions for higher-order systems / Lukas Lanza, Johannes Köhler, Dario Dennstädt 他
日本語で読む → - 論文マニピュレーションロボティクス
四元数関節を用いた新型ケーブル駆動冗長マニピュレータ構成とFABRIKおよび残差強化学習による制御
四元数関節を持つ4セグメント8関節のケーブル駆動冗長マニピュレータを提案し、FABRIKアルゴリズムと残差強化学習を用いて制御する手法を示した。提案構成は従来より広い作業空間を低コストで実現し、残差強化学習が位置・姿勢精度でFABRIKを3桁上回ることを実証した。
原題: A New Quaternion-Joint Cable-Driven Redundant Manipulator Configuration and its Control Through FABRIK and Residual Reinforcement Learning / Tanapath Pornthisan, Thanapat Kemthong, Thanyapisit Kangsathien 他
日本語で読む → - 論文操作画像認識
Dream.exe: ビデオ生成モデルは実行可能なロボット操作を夢見ることができるか?
ビデオ生成モデルが生成した操作映像を物理シミュレータで実行可能なロボット軌道に変換し、実行成功率で物理世界の理解度を評価するフレームワークDream.exeを提案した。
原題: Dream.exe: Can Video Generation Models Dream Executable Robot Manipulation? / Rui Zhao, Kaiming Yang, Jifeng Zhu 他
日本語で読む → - 論文安全強化学習ロボティクス
COP-Q: コレスキー順序射影による安全最優先ロボット制御強化学習
報酬と安全性のQ値の相関を考慮し、コレスキー分解で安全を優先しつつ報酬の過度な保守性を抑える新しい安全強化学習手法を提案した。ロボットの移動やナビゲーション実験で安全性とサンプル効率の向上を確認した。
原題: COP-Q: Safety-First Reinforcement Learning for Robot Control via Cholesky-Ordered Projection / Guopeng Li, Moritz A. Zanger, Matthijs T. J. Spaan 他
日本語で読む → - 論文VLA機械学習
Flash-WAM: モダリティ認識蒸留によるワールドアクションモデルの高速化
ビデオとロボット動作を同時生成するワールドアクションモデルを、モダリティごとに適切な蒸留手法を適用して単一ステップ推論に圧縮し、リアルタイム制御を可能にした。
原題: Flash-WAM: Modality-Aware Distillation for World Action Models / Arman Akbari, Ci Zhang, Arash Akbari 他
日本語で読む → - 論文動作理解/ベンチマーク画像認識
NextMotionQA: 視覚言語モデルによる人間動作理解のベンチマークと評価
人間の動作理解を評価するための新しいベンチマークNextMotionQAを導入し、複数のタスクと難易度レベルで12の視覚言語モデルを評価して、その能力の限界を明らかにした。
原題: NextMotionQA: Benchmarking and Judging Human Motion Understanding with Vision-Language Models / Yong Cao, Chuqiao Li, Xianghui Xie 他
日本語で読む → - 論文画像編集画像認識
InstantRetouch: バイラテラル空間による効率的で忠実度の高い指示追従画像レタッチ
言語指示による画像レタッチを、拡散モデルの反復生成ではなくバイラテラルグリッド操作で実現し、忠実度と効率を両立した手法を提案。
原題: InstantRetouch: Efficient and High-Fidelity Instruction-Guided Image Retouching with Bilateral Space / Jiarui Wu, Yujin Wang, Ruikang Li 他
日本語で読む →
PR・アフィリエイト広告
