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: 2026/9/17 / 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VLA画像認識
産業用物体検出における人間可読なXAIのための視覚言語モデル適応
産業製造ラインの物体検出において、非専門家向けに直感的な説明を生成する視覚言語モデルを微調整し、XAIインターフェースを構築した。
原題: Adapting Vision-Language Models for Human-Readable XAI in Industrial Object Detection / Sarvenaz Sardari, Freddy Fernandes, Samarth Yelvande 他
日本語で読む → - 論文VLAロボティクス
サンプリングベースMPCによる視覚ポリシー学習の加速
サンプリングベースのモデル予測制御と一次勾配ポリシー最適化を組み合わせ、深度画像から歩行・操作ポリシーを効率的に学習し、実機ロボットへゼロショット転移する手法を提案。
原題: Accelerating Visual Policy Learning with Sampling-Based Model Predictive Control / Yilang Liu, Haoxiang You, Qian Wang 他
日本語で読む → - 論文VLAロボティクス
ActiveScale:モデル・データ・ハードウェアを横断したロボットの能動的知覚のスケーリング
視点変更を伴う操作タスクのための能動的知覚フレームワークを提案し、カメラ姿勢を考慮したVLAモデル、1000時間の一人称視点データによる中間学習、単一操作者で遠隔操作可能な移動マニピュレーションプラットフォームを統合した。
原題: ActiveScale: Scaling Active Perception for Robots across Model, Data, and Hardware / Shuai Zhou, Kaisheng Pang, Wenxuan Song 他
日本語で読む → - 論文VLAロボティクス
VLA-ULAP: クラウドVLA呼び出しと超軽量ローカル行動予測をエッジで交互実行
クラウド上の大規模VLAモデルの呼び出しと、エッジ上の超軽量ローカル行動予測器(ULAP)を交互に実行することで、成功率をほぼ維持しながら推論時間と消費電力を大幅に削減する手法を提案。
原題: VLA-ULAP: Interleaving Cloud VLA Calls with Ultra-Lightweight Local Action Prediction at the Edge / Deyu Cao, Ryuji Oi, Kosuke Matsushima 他
日本語で読む → - 論文VLAロボティクス
UMI-Bridge: 人間とロボットの操作データを動作で結ぶ潜在表現アライメント
UMIを中間ドメインとして使い、見た目ではなく動作の等価性に基づいて人間とロボットの操作データの潜在表現を揃え、VLAポリシーの学習を改善する手法を提案。
原題: UMI-Bridge: Action-Anchored Latent Alignment across Human and Robot Manipulation Data / Haiyi Liu, Jingming Ma, Ke Rui 他
日本語で読む → - 論文VLAロボティクス
ActionPiece:自己回帰型視覚言語行動モデルのための行動トークン化の再考
行動トークン化の関係的忠実度を測る「物理ランク整合性(PRC)」を提案し、表現学習と量子化を共同監督するActionPieceで局所的な行動の順序関係を保つトークン化を実現した。
原題: ActionPiece: Rethinking Action Tokenization for Autoregressive Vision-Language-Action Models / Shijie Lian, Bin Yu, Zhaolong Shen 他
日本語で読む → - 論文VLAロボティクス
ゲームプレイから方策へ:ゲーム化されたロボット不要のインタラクションによるスケーラブルなロボットデータ収集
VRゲームで人間の操作データを収集し、ロボットに転移する枠組みを提案。ゲームから実機へのギャップを埋めるGame2Policyにより、少数の実機デモで成功率が向上することを示した。
原題: From Gameplay to Policy: Towards Scalable Robot Data Collection via Gamified Robot-Free Interaction / Zheng Li, Liang Zhu, Junzhe Wang 他
日本語で読む → - 論文VLAロボティクス
視覚・言語・行動を分離した効率的なマルチタスクロボット方策
VLMを使わず視覚エンコーダ・言語エンコーダ・行動ヘッドを分離した方策を構築し、同等の成功率を保ちつつ推論速度と省エネ性を大幅に改善した。
原題: Decoupling Vision, Language, and Action for Efficient Multi-Task Robot Policies / Xiatao Sun, Chen Liang, Ziyao Zeng 他
日本語で読む → - 論文VLAロボティクス
リアルタイム視覚-言語-行動ポリシーのための強化学習
大規模VLAモデルの推論遅延による観測のずれを解消するため、遅い行動生成と速い反応的編集を分離し、強化学習でリアルタイム制御を可能にするフレームワークを提案。
原題: Reinforcement Learning for Real-Time Vision-Language-Action Policies / Perry Dong, Kuo-Han Hung, Dorsa Sadigh 他
日本語で読む → - 論文VLAロボティクス
AdaGeoVLN: 視覚言語ナビゲーションのための表現深度とナビゲーション時間にわたる選択的幾何情報
視覚言語ナビゲーションにおいて、幾何基盤モデルの階層的特徴をポリシーの各段階に融合し、指示関連性・幾何信頼度・遷移新規性に基づいて履歴KV状態を選択的に保持するストリーミングフレームワークを提案。
原題: AdaGeoVLN: Selective Geometry Across Representation Depth and Navigation Time for Vision-Language Navigation / Quan-Dung Pham, Anh Dao, Danh Vinh Le 他
日本語で読む → - 論文VLAロボティクス
TAO-Force: 接触の多いマニピュレーションのための力認識知覚と高速・低速制御の統合
力フィードバックを視覚言語モデルに注入し、接触時のみ高速なアドミタンス制御に切り替える枠組みを提案し、接触の多い操作タスクでの有効性を示した。
原題: TAO-Force: Unifying Force-Aware Perception and Fast-Slow Control for Contact-Rich Manipulation / Bohan Gan, Xuanzhang Wen, Yongsheng Zhao 他
日本語で読む → - 論文VLAロボティクス
GR00T N1.7向けワンステップドリフティングアクションヘッドの技術報告
VLAポリシーの拡散トランスフォーマーアクションヘッドをワンステップのドリフティングヘッドに置き換え、推論速度が大幅に向上する一方でタスク成功率が系統的に低下する速度と成功率のトレードオフを報告した。
原題: Technical Report: One-Step Drifting Action Heads for GR00T N1.7 / Xihe Shao
日本語で読む → - 論文VLA画像認識
FIVE-VLA: 再帰的行動メモリによる高速で効果的な自動運転
高解像度画像をわずか98トークンに圧縮する効率的な視覚エンコーダと、過去の行動トークンを条件に用いる再帰的行動メモリ(RAM)を組み合わせ、641Mパラメータで従来のVLAより高速・高精度に軌道予測を行う自動運転モデル。
原題: FIVE-VLA: Fast and EffectIVE Autonomous Driving with Recurrent Action Memory / Kemal Oksuz, Alexandru Buburuzan, Yuhan Yao 他
日本語で読む → - 論文VLA画像認識
CSWAM: 世界行動モデルの分布外汎化のための因果意味表現の改善
V-JEPA 2.1をベースにした因果意味エキスパートをFastWAMに追加し、見たことのない環境や物体でもロボット行動を汎化させる手法を提案。
原題: CSWAM: Better Causal Semantic Representations for Out-of-Distribution Generalization in World Action Models / Tianbin Liu, Jian Zhu, Taiyi Su 他
日本語で読む → - 論文VLAロボティクス
すべての層を微調整する必要はない:視覚言語行動モデルにおける適応の診断と誘導
VLAモデルの領域ごとの適応コストを診断し、可変ランクLoRAを配分して効率的に微調整する手法を提案。
原題: Not All Layers Need Tuning: Diagnosing and Directing Adaptation in Vision-Language-Action Models / Shahram Najam Syed, Arthur Jakobsson, Prayuj Sachdev 他
日本語で読む → - 論文VLAロボティクス
DistAL: 距離ベースアドバンテージ学習によるVLAファインチューニング
VLAのアドバンテージ条件付けにおいて、埋め込み空間の距離を報酬として用いることで、より情報量の多い価値関数を学習しタスク成功率を向上させる手法を提案。シミュレーションと実機の両手巧緻マニピュレーションで検証した。
原題: DistAL: Distance-based Advantage Learning for VLA Fine-Tuning / Reece O'Mahoney, Ioannis Havoutis
日本語で読む → - 論文VLA画像認識
VLMエージェントによる文脈内ロボット学習
商用VLMを活用し、デモやフィードバックから勾配更新なしでロボット行動を生成するGPT-Policyを提案。実機実験で人間のビデオデモがタスク完了率を向上させることを示した。
原題: In-Context Robot Learning with VLM Agents / Dongzhou Cheng, Taoran Yi, Ye Fang 他
日本語で読む → - 論文VLAロボティクス
AffordanceWAM: アフォーダンス認識型の世界行動統合モデリングによるロボットマニピュレーション
人間とロボットの動画から物体中心のアフォーダンスを予測し、将来の映像とロボット行動を統合的に生成するモデルを提案。人間動画を活用してロボット操作の汎化性能を向上させた。
原題: AffordanceWAM: Affordance-Aware Joint World-Action Modeling for Robot Manipulation / Jiadi You, Qize Yu, Yue Chen 他
日本語で読む → - 論文VLAロボティクス
rMuscle: 効率的な視覚-言語-行動モデル推論のためのロボット筋肉記憶
反復作業における実行間の類似性を利用した二段階キャッシュでVLAモデルの推論を高速化し、1.29〜1.42倍の速度向上を実現した。
原題: rMuscle: Robotic Muscle Memory for Efficient Vision-Language-Action Model Inference / Kaijun Zhou, Zhiyang Li, Le Chen 他
日本語で読む → - 論文VLAロボティクス
VLM-MPPI: 自然言語を多様な飛行行動に接地する空中ナビゲーション
自然言語の指示を6つの行動条件付きMPPIプランナで生成した多様な軌道候補に結びつけ、VLMがFPV画像から候補を選ぶ階層型UAVナビゲーションを実機とシミュレーションで実証した。
原題: VLM-MPPI: Grounding Natural Language in Behaviorally Diverse Trajectories for Aerial Navigation / Hanbing Zhang, Fangguo Zhao, Zerui Li 他
日本語で読む → - 論文VLA画像認識
Finder: 身体性グラウンディングのためのエージェント型閉ループ物体探索
言語で指定された物体を部分的に観測された3Dシーンから見つけるため、計画・証拠収集・検証・制御を閉ループで回すエージェント型手法を提案し、物体検索や質問応答で精度を向上させた。
原題: Finder: Agentic Closed-Loop Object Finding for Embodied Grounding / Shixiong Xu, Zhiyuan Chen, Song Ding 他
日本語で読む → - 論文VLAロボティクス
GroundingVLN: 視覚言語ナビゲーションのためのグラウンディングに基づく推論と行動
視覚的グラウンディングを推論と行動の共通インターフェースとして用い、推論を画像位置に紐付け、画素ゴールを予測して動作に変換する視覚言語ナビゲーション手法を提案。R2R-CEで69.9%の成功率を達成。
原題: GroundingVLN: Reasoning and Acting with Grounding for Vision-Language Navigation / Kailing Li, Yu Han, Tianwen Qian 他
日本語で読む → - 論文VLAロボティクス
M²Tok: 視覚言語行動モデルのためのマルチヘッド・マルチコードブック離散行動トークン化
連続的な行動信号を複数のヘッドと独立したコードブックで離散トークン化し、再構成誤差を抑えつつVLAモデルの性能を向上させる手法を提案。
原題: ${M}^2$Tok: Multi-head Multi-codebook Discrete Action Tokenization for Vision-Language-Action Models / Chunpu Xu, Zhixuan Liang, Yuhao Zhang 他
日本語で読む → - 論文VLAロボティクス
FASA: フィードバック認識型サンプリング適応による効率的な拡散ベースVLAモデル
拡散ベースVLAモデルの推論を、視覚とグリッパ力のフィードバックを制御信号として使う学習不要のランタイム適応で高速化する手法を提案。
原題: FASA: Feedback-Aware Sampling Adaptation for Efficient Diffusion-Based VLA Models / Yuchen Han, Jianhan Wu, Xiaoyang Qu 他
日本語で読む → - 論文VLAロボティクス
UAVと身体性知能の融合:物理デジタルAIエージェントによる人間意図と飛行力学の橋渡し
UAVの身体性知能(UAV EI)を5つの能力次元と5つのアーキテクチャ層からなる枠組みで整理し、基盤モデルや世界モデル、AIエージェントによる最近の進展を体系的にレビューしたサーベイ論文。
原題: UAVs Meet Embodied Intelligence: Bridging Human Intents and Flying Dynamics Via Harnessing Physical-Digital AI Agents / Yonglin Tian, Weiyi Wang, Houhua Lu 他
日本語で読む → - 論文VLAロボティクス
ForceDelta-VLA: 接触の多いマニピュレーションのための力条件付き行動補正の蒸留
力覚対応VLAポリシーを、参照行動と力補正に分解して蒸留するフレームワークを提案し、接触の多いタスクで成功率を54.4%から82.2%に向上させた。
原題: ForceDelta-VLA: Distilling Force-Conditioned ActionCorrections for Contact-Rich Manipulation / Ju Dong, Yu Fu, Jian Chen 他
日本語で読む → - 論文VLAロボティクス
生成的物理人工知能の包括的レビュー
大規模基盤モデルと物理的身体を統合した生成的物理AI(GPAI)について、5つのアプローチの分類と応用・課題を体系的に整理したサーベイ論文。
原題: A Comprehensive Review of Generative Physical Artificial Intelligence / Satyam Gaba, Krutiksinh Rana, Siva Sai 他
日本語で読む → - 論文VLA機械学習
ENCP: 視覚言語ナビゲーションのためのエピソード正規化共形予測
視覚言語ナビゲーション(VLN)において、エピソード単位で正規化した共形予測を提案し、可変長で依存関係のあるナビゲーション系列でも各ステップで信頼できる不確実性推定を可能にした。
原題: ENCP: Episode-Normalized Conformal Prediction for Vision-and-Language Navigation / Vicky Feliren, A. Taufiq Asyhari, Muhamad Risqi U. Saputra
日本語で読む → - 論文VLAロボティクス
視覚運動ポリシーにおける視覚的身体依存性の再考
視覚運動ポリシーがロボットの見た目に依存しすぎる問題(VED)に対し、3D点群で身体を正規化する手法を提案し、人間からロボットへの転移性能を向上させた。
原題: Rethinking Visual Embodiment Dependence in Visuomotor Policies / Hongjie Fang, Yuxuan Lu, Chenxi Wang 他
日本語で読む → - 論文VLAロボティクス
XPACE: 異種経験からの世界モデルと行動モデルの統合学習
人間とロボットの多様な経験を動画予測で結びつけ、行動予測と世界シミュレーションを同時に行う統合モデルを提案し、ヒューマノイドロボットで人間の技能をロボット未経験タスクへ転移できることを示した。
原題: XPACE: Joint World and Action Modeling from Heterogeneous Experience / Jiacheng Wei, Jerry Bai, Xiaoyu Yue 他
日本語で読む →
PR・アフィリエイト広告
