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: 2026/9/15 / 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ロボティクス
RAF-VLA: 未来表現との整合によるエンドツーエンド自動運転
将来フレームの表現を直接教師信号として方策の内部表現を整列させることで、未来生成を伴わずに自動運転VLAの計画性能を高める手法を提案。
原題: RAF-VLA: Representation Alignment with the Future for End-to-End Autonomous Driving / Dogun Kim, Yongjae Lee, Joonhee Lim 他
日本語で読む → - 論文VLAAI
学習された視覚知覚と記号的信念空間プランニングの橋渡し
VLMによる述語のグラウンディングの不確かさを確率分布として扱い、信念空間でプランニングすることで不確実性下でも頑健な計画を生成する手法を提案した。
原題: Bridging Learned Visual Perception and Symbolic Belief-Space Planning / Guy Azran, Michael Navat, Sarah Keren
日本語で読む → - 論文VLAロボティクス
内在的ロボット報酬:VLA表現を再利用した自律評価と方策改善
VLAモデルの視覚表現と成功デモを再利用し、追加の評価器なしでロボット自身の成果を評価して方策改善に役立てる報酬機構IRRを提案。
原題: Intrinsic Robot Rewarding: Reusing VLA Representations for Autonomous Evaluation and Policy Improvement / Tobias Schaffer, Mohab Elkhayat, Daniela Nicklas 他
日本語で読む → - 論文VLA画像認識
sensVLA: ホイールローダー自律制御のための空間接地型視覚-言語-行動モデル
LiDARから得た鳥瞰図特徴を専用のクロスアテンション経路で行動エキスパートに直接入力し、RGB画像による言語推論と分離することで、ホイールローダーの積載作業精度とカメラ故障時の耐性を向上させたVLAモデル。
原題: sensVLA: Spatially-Grounded Vision-Language-Action Model for Autonomous Wheel Loader / Gopi Krishna Erabati, Bjarne Johannsen, Angus Stewart 他
日本語で読む → - 論文VLA画像認識
GeoLAM: ラベルなし人間動画から幾何学的潜在行動を学習
人間の動画から幾何学的な手がかりを活用して潜在行動を学習し、ロボット操作タスクに転移するフレームワークを提案。
原題: GeoLAM: Learning Geometry-Grounded Latent Actions from Unlabeled Human Videos / Yifan Xie, Hekun Tian, Jinkun Liu 他
日本語で読む → - 論文VLAロボティクス
TEMPO: 動的ロボットマニピュレーションのための時間的文脈学習
事前学習済みVLAモデルに動きの要約と固有受容感覚の履歴を追加し、動的マニピュレーションにおける運動の曖昧さと状態のエイリアシングを解決する手法を提案。
原題: TEMPO: Learning Temporal Context for Dynamic Robot Manipulation / Zhenyang Feng, Jimin Heo, Erik B. Sudderth 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
モダリティ自己回帰型ワールドアクションモデル
将来の観測と行動を複数の視覚モダリティ(点追跡・DINO特徴・深度)で自己回帰的に予測するModARを提案し、RGB予測より効率的で成功率も高いことを示した。
原題: Modality-Autoregressive World-Action Models / Adam Hung, Bardienus P. Duisterhof, Deva Ramanan 他
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
FluxVLAエンジン:具現化知能のためのワンストップVLAエンジニアリングプラットフォーム
VLAモデルや世界行動モデル、オフライン強化学習を実ロボットに展開するための、データ形式・学習・評価・推論・ロボットインターフェースを統一するオープンな設定駆動型プラットフォームを提案。
原題: FluxVLA Engine: A One-Stop VLA Engineering Platform for Embodied Intelligence / Yinhao Li, Weixin Mao, Zihan Lan 他
日本語で読む → - 論文VLAロボティクス
SAVLA: ロボットマニピュレーションのための対称性を考慮した視覚-言語-行動モデル
事前学習済みの視覚言語モデルを固定し、同変フローマッチング行動ヘッドと正規化器を組み合わせることで、データ効率が高く回転に頑健なロボット操作ポリシーを実現した。
原題: SAVLA: Symmetry-Aware Vision-Language-Action Models for Robotic Manipulation / Junle Li, Weixian Waylon Li, Fuxiang Wu 他
日本語で読む → - 論文VLA画像認識
EgoPathBench:視覚言語モデルのゼロショット一人称視点ウェイポイント意思決定の評価
一人称視点の画像と目標から経路を選ぶ能力を測る5タスクのベンチマークを提案し、既存の視覚言語モデルが完全な経路計画を苦手とすることを示した。
原題: EgoPathBench: Evaluating Zero-Shot Egocentric Waypoint Decision-Making in Vision-Language Models / Yang Zhao, Zhuo Chen, Xubo Yang
日本語で読む → - 論文VLAロボティクス
密なVLAポリシーをMoE化して軽量化する適応手法
VLAポリシーのFFN層をMoEに変換し、ルータ統計に基づく動的なエキスパート無効化でLLMパラメータを40%削減しつつ性能を維持する手法を提案。
原題: Dense to MoE Adaptation for Compact Vision Language Action Policies / Muchun Niu, Shuang Chen, Yuzhou Wu 他
日本語で読む → - 論文VLAロボティクス
DIDO: インタラクション中心のダイナミクスを1ステップ拡散に蒸留するワールドアクションモデル
動画生成ベースのロボット操作モデルを1ステップ拡散に蒸留し、把持器と対象物のインタラクションを保ちつつ推論遅延を削減した手法。
原題: DIDO: Distilling Interaction-Centric Dynamics into One-Step Denoising for World Action Models / Jing Lyu, Shuanghao Bai, Runze Xiao 他
日本語で読む → - 論文VLAロボティクス
P-POSEMEM: ポーズグラフ再構築下で一貫した言語接地を実現する射影的意味記憶
SLAMのポーズグラフが最適化・ループ閉じ込め・圧縮されても、言語指示が同じ物体を指し続けるよう、観測を誕生キーフレームの不変イベントとして保持しベイズ木の消去条件付きを統合する意味記憶手法を提案。
原題: P-POSEMEM: Projective Semantic Memory for Consistent Language Grounding under Pose-Graph Rewrites / Ha Sier, Ali Salmasi, Mengya Xu 他
日本語で読む → - 論文VLA画像認識
LG-VLN: LangGraph状態オーケストレーションによるゼロショット視覚言語ナビゲーション
単眼カメラのみで未知環境をナビゲートするゼロショットVLNフレームワークを提案し、LangGraphで状態遷移を管理することでR2R-CEで21.3%の成功率を達成した。
原題: LG-VLN: A Zero-Shot Vision-and-Language Navigation Framework with LangGraph State Orchestration / Jianhe Zhao, Yanhua Qiu, Zhiyu Zhang 他
日本語で読む → - 論文VLAロボティクス
バックボーン内計画:運転VLMによるネイティブ連続軌道生成のためのDiffAdapterVLA
運転用VLMの後段層に軌道トークンを注入し、軽量なDiffAdapterで再帰的に軌道を洗練させることで、追加のプランナーなしに連続軌道計画を実現した手法。
原題: Planning in the Backbone: DiffAdapterVLA for Native Continuous Trajectory Generation with Driving VLMs / Changxin Lu, Xiaoliang Meng, Yu Wu 他
日本語で読む → - 論文VLA画像認識
再構成は行動ではない:行動中心の潜在ダイナミクスモデリング
再構成誤差と下流性能の不一致を指摘し、行動クエリと行動トークンで行動抽出・利用を強化する軽量な潜在行動モデルACT-LAMを提案した論文。
原題: Reconstructing Is Not Acting: Action-Centric Latent Dynamics Modeling / Dingjie Fu, Dianxing Shi, Yangyang Xu 他
日本語で読む → - 論文VLA画像認識
PhysBrain 1.5:視覚言語モデルから物理基盤モデルへ
人間のインタラクション動画から身体動作を学習し、行動生成と未来状態予測を統合した8Bの物理基盤モデルを構築、28の身体理解ベンチマークでオープンソース最高性能を達成した。
原題: PhysBrain 1.5: From Vision-Language Models to Physical Foundation Models / DeepCybo Team, Yu Bin, Haipeng Cao 他
日本語で読む → - 論文VLAロボティクス
UDAV: 不確実性駆動型適応VLMウェイポイントプランナー
VLMの確率的予測から不確実性を見積もり、必要に応じて再検討することで、UAV誘導UGVのオフロード経路計画の精度を向上させる手法を提案。
原題: UDAV: Uncertainty-Driven Adaptive VLM Waypoint Planner / Ghazal Farhani, Shabnam Shabani
日本語で読む → - 論文VLA画像認識
GRAVA: 自動運転のための接地推論から行動への表現と学習
自動運転VLAモデルにおいて、推論を物理的な場面証拠に接地させ、実行可能な行動と結びつけるGRAフレームワークを提案し、NAVSIMベンチマークで最先端性能を達成した。
原題: GRAVA: Grounded Reasoning-to-Action Representation and Learning for Autonomous Driving / Xiao Liu, Haoyu Li, Jianghao Leng 他
日本語で読む → - 論文VLAロボティクス
言語で操作可能かつ力に応答するマニピュレーションのための原子運動座標
言語指示と順運動学から13種の運動原子を定義し、視覚に依存せずVLA方策の動作を言語で操舵可能にするとともに、接触履歴に応じて力を適応させる手法を提案した。
原題: Atomic Motion Coordinate for Language-Steerable and Force-Responsive Manipulation / Jiaqi Zhai, Jingkai Zhao, Chen Yang 他
日本語で読む → - 論文VLAロボティクス
WLA³: 意味・動力学・運動学のための世界潜在行動モデリング
世界状態の変化から潜在行動を学習し、意味・動力学・運動学を統合した汎用ポリシーモデルを構築するフレームワークを提案。
原題: WLA$^3$: World Latent Action Modeling for Semantics, Dynamics, and Kinematics / Peidong Liu, Zhiyuan Xiang, Mingyang Li 他
日本語で読む → - 論文VLAロボティクス
C²Nav: ゼロショット視覚言語ナビゲーションのための比較ベース意思決定
VLMに制御器が生成した候補を比較させることで、幾何学的判断や不可逆な決定をロボット側に残す訓練不要のナビゲーションフレームワークを提案。
原題: C$^2$Nav: Compare Before You Commit for Zero-Shot Vision-and-Language Navigation / Runtian Zheng, Congpeng Zhang, Ying Liu
日本語で読む → - 論文VLAロボティクス
法的推論による世界モデルベース計画の法制化
欠陥義務論理と学習済み世界モデルを組み合わせ、ロボットの行動前に法的制約を課す計画スタックを提案し、グリッド上のロボットアーム実験で遵守率の向上と実行時効率を確認した。
原題: Legislating World-Model-Based Planning with Legal Reasoning / Dylan Waldner, Yiannis Kantaros, Guido Governatori 他
日本語で読む → - 論文VLA画像認識
画像生成による推論
マルチモーダルLLMの推論に画像生成モデルを柔軟な視覚操作ツールとして組み込み、多視点空間推論や衝突予測など6タスクで最大25%の性能向上を達成した。
原題: Reasoning with Image Generation / Nishad Singhi, Hector Garcia Rodriguez, Aditya Arora 他
日本語で読む → - 論文VLAロボティクス
IMPACT-VLA: 視覚言語行動ポリシーのための反事実軌道による相互作用対応マルチモーダル伝播帰属
VLAポリシーにおいて、各モダリティがタスク成功に寄与する実行段階を明らかにするため、反事実的な再実行に基づく帰属手法を提案し、LIBEROタスクで有効性を示した。
原題: IMPACT-VLA: Interaction-aware Multimodal Propagation Attribution via Counterfactual Trajectories for Vision-Language-Action Policies / Jinwoong Kim, Sangjin Park
日本語で読む → - 論文VLAロボティクス
物理AIのためのゴール指向通信:設計とテストベッド
5G網とロボットアームを接続した実機テストベッドを構築し、生画像ではなく3D境界ボックスやシーングラフなどの意味表現を送る3種のゴール指向通信フレームワークを実装、タスク完了時間と成功率の改善を実証した。
原題: Goal-Oriented Communications for Physical AI: Design and Testbed / Shutong Chen, Wenkai Zhang, Adnan Aijaz 他
日本語で読む → - 論文VLAロボティクス
単軸テストを超えて:視覚言語行動ポリシーにおける複合ロバスト性のペア評価
VLAポリシーのロバスト性評価において、単一の摂動だけでなく複数の摂動が同時に起こる複合条件での性能をペアで比較するベンチマークLIBERO-CTRLを提案し、単軸評価では見えない創発的失敗と補償的成功を明らかにした。
原題: Beyond Single-Axis Testing: Paired Evaluation of Compound Robustness in Vision-Language-Action Policies / Hiroki Sawada, Shunichi Kasahara
日本語で読む → - 論文VLAcs.CR
世界モデルが嘘をつくとき:下流制御に対するバックドア攻撃
事前学習済み世界モデルの再利用に潜むサプライチェーン型バックドアを提示し、汚染済みチェックポイントがクリーンな学習・評価下でも下流の制御器を乗っ取り、トリガー提示時のみ攻撃者の目標行動を再発見させることを示した。
原題: When the World Lies: Backdoor Attacks on Latent World Models for Downstream Control / Roberto Riaño, Gorka Abad, Stjepan Picek 他
日本語で読む →
PR・アフィリエイト広告
