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: 2026/9/4 / 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VLA画像認識
時間を考慮した支援ナビゲーション
視覚と言語のエージェントが、ユーザーへの応答タイミングを計画できるかを検証し、複雑な屋外環境での支援ナビゲーション用の大規模ベンチマークを導入。既存のMLLMの限界を明らかにし、指示の理由を予測する単純な改良で性能が向上することを示した。
原題: Time-Aware Assistive Navigation / Masaki Kuribayashi, Zhongkai Shangguan, Eshed Ohn-Bar
日本語で読む → - 論文VLAロボティクス
WISE: ワールドモデル誘導による想像スケジューリングを用いた視覚言語行動モデルの効率的なポストトレーニング
ロボット操作のポストトレーニングにおいて、ワールドモデルによる想像を必要な状態でのみ、信頼できる範囲で使用するフレームワークWISEを提案し、計算時間を約80%削減しつつ性能を向上させた。
原題: WISE: World-model-guided Imagination Scheduling for Efficient Post-training of Vision-Language-Action Models / Chenhao Zhang, Hanyu Zhao, Hang Cheng 他
日本語で読む → - 論文移動操作/VLA/力推定ロボティクス
FWBC-VLA: 接触を伴う移動操作のための力認識全身補償
車輪付き脚ロボットの接触を伴う移動操作において、力センサを使わずに接触力を推定し、その情報をVLAモデルに統合することで、タスクレベルの行動生成と低レベルの全身補償制御を橋渡しするフレームワークを提案した。
原題: FWBC-VLA: Force-Aware Whole-Body Compensation for Contact-Rich Loco-Manipulation / Yutian Zhang, Siyuan Ma, Liwen Yang 他
日本語で読む → - 論文両腕操作/VLA/データセットロボティクス
1500時間のデモからオン方針修正までの両腕家庭操作のスケーリング
家庭内両腕操作タスクの1500時間のデモデータセットを公開し、VLAモデルXR-2を訓練。データ量とDAgger修正データの増加に伴い成功率が向上するスケーリング傾向を実証した。
原題: Scaling Bimanual Household Manipulation from 1,500 hours of Demonstrations to On-Policy Corrections / Jiafeng Xu, Qi Li, Yan Shen 他
日本語で読む → - 論文VLA/強化学習ロボティクス
VLA-Precision: 非対称共同ブートストラップによる視覚言語行動モデルの効率的な実世界オンライン強化学習
実世界のオンライン強化学習を用いて、精密な操作タスクにおける視覚言語行動モデルの性能を向上させるフレームワークを提案した。
原題: VLA-Precision: Asymmetric Co-Bootstrapping for Efficient Real-World Online RL of Vision-Language-Action Models / Chenyu Su, Zhaolong Shen, Yuan Qian 他
日本語で読む → - 論文VLA画像認識
SimpleMemVLA: 視覚言語行動モデルのためのシンプルかつ効果的なネイティブビデオメモリ
専用メモリモジュールを使わず、過去の観察をタイムスタンプ付きビデオとしてそのままバックボーンに渡すことで、長時間の操作タスクで高い性能を達成するVLAを提案した。
原題: SimpleMemVLA: A Simple but Effective Native-Video Memory for Vision-Language-Action Models / Cheng Yin, Wang Xu, Junpeng Yang 他
日本語で読む → - 論文自動運転/VLA画像認識
運転用VLAの異なる車体構成へのゼロショット転移に向けて
運転タスクのVLAモデルにおいて、複数データセットでの訓練とBEV-Forcing補助タスクが、未見のカメラ構成へのゼロショット転移性能を向上させることを示した。ただし、訓練データの多様性を増やすと補助タスクの効果は減少する。
原題: Towards Zero-Shot Transfer Across Embodiments For Driving VLAs / Caio Azevedo, Stefano Sabatini, Sascha Hornauer 他
日本語で読む → - 論文VLA画像認識
LookStep: 言語的先見とイベント駆動メモリによる効率的な視覚言語ナビゲーション
視覚言語ナビゲーションのための、言語ラベルによる将来状態予測とイベント駆動型メモリを組み合わせた効率的なエンドツーエンドフレームワークを提案。
原題: LookStep: Efficient Vision-Language Navigation with Linguistic Foresight and Event Driven Memory / Kun-Yang Yu, Yingzhe Li, Hongyu Xu 他
日本語で読む → - 論文VLA/解釈可能性ロボティクス
視覚・言語・行動モデルの潜在クラスタ解析
VLAモデルの内部表現を層ごとに解析し、行動デコーダの潜在空間をクラスタリングして解釈可能な概念を抽出するフレームワークを提案した。
原題: Latent Cluster Analysis for Vision-Language-Action Models / Theodor Wulff, Sergio Lanza, Tamara Bila 他
日本語で読む → - 論文VLA画像認識
幾何学的潜在拡散による空間認識ワールドアクションモデル
事前学習済みビデオ拡散モデルをRGBと深度の同時予測に拡張し、3D情報を活用したロボットポリシー学習を実現する空間認識ワールドアクションモデル(SA-WAM)を提案した。
原題: Spatially Aware World Action Model via Geometric Latent Diffusion / Javier Alejandro Lopetegui Gonzalez, Paul Pacaud, Cordelia Schmid
日本語で読む → - 論文VLAロボティクス
静かなる妨害:LLM搭載ロボットシステムに対する内部状態トリガーバックドア攻撃
LLMで制御されるロボットに、外部刺激ではなくロボット自身の過去の行動履歴をトリガーとする隠れたバックドアを埋め込めることを示し、通常時は性能を保ちつつ特定条件下で停止や衝突を引き起こせることを実験で明らかにした。
原題: Silent Sabotage: Internal State Triggered Backdoor Attacks on LLM-Powered Robotic Systems / Doniyorkhon Obidov, Shivayogi Akki, Tan Chen 他
日本語で読む → - 論文VLAロボティクス
ShieldVLA: 視覚言語行動モデルのための実行可能性を考慮した安全アライメント
視覚言語行動モデルに対し、ハミルトン・ヤコビ到達可能性に基づく安全クリティックを学習させ、安全領域内での報酬最大化と危険時の回復を分離するファインチューニング手法を提案。安全性コストを平均57%削減し、タスク成功率も向上させた。
原題: ShieldVLA: Feasibility-Aware Safety Alignment for Vision-Language-Action Models / Manan Tayal, Akshay Nambi
日本語で読む → - 論文VLAロボティクス
どのモダリティが重要かを感知する:ロバストなVLAポリシーのための証拠ゲート正則化
VLAポリシーが複数センサー入力の融合時に生じる「モダリティ絡み合い」問題を解決するため、センサーごとのタスク関連性に基づいて正則化を適応的に適用するEvidence-Gated Regularization (EGR)を提案した。シミュレーションと実ロボットで成功率を大幅に向上させた。
原題: Sensing Which Modality Matters: Evidence-Gated Regularization for Robust VLA Policies / Yue Yang, Diego Romeres, Chiori Hori 他
日本語で読む → - 論文VLA/転移学習ロボティクス
ZETA: テーブルトップ操作におけるゼロショット・クロスエンボディメントVLA転移の統制研究
異なるロボット形態へのゼロショット転移を体系的に評価するため、厳密な定義と統制ベンチマークを導入し、状態表現・事前学習の多様性・補助学習・対象形態の露出の影響を分析した。
原題: ZETA: A Controlled Study of Zero-Shot Cross-Embodiment VLA Transfer for Tabletop Manipulation / Mi Yan, Wenhao Zhang, Zhiqi Zhang 他
日本語で読む → - 論文VLAロボティクス
EmbodiedSkills: VLAエージェントの統合フレームワーク
VLAモデルを長期的タスクに適用するための、実行提案としてのスキル判断を検証する統合フレームワークを提案。
原題: EmbodiedSkills: A Unified Framework for Orchestrating, Training, and Deploying VLA Agents / Wei Wang, Wenqiao Zhang, Yutong Lin 他
日本語で読む → - 論文VLA画像認識
部品のグラウンディングこそがボトルネック:VLMのアフォーダンス予測における失敗要因の特定
VLMのアフォーダンス予測を「対象部品の特定」と「必要な動作の知識」に分離し、失敗の主因が動作知識の欠如ではなく部品グラウンディングにあることを19物体・8モデルの実験で示した。
原題: Part Grounding, Not Action Knowledge: Locating the Bottleneck in VLM Affordance Prediction / Sarthak Sattigeri
日本語で読む → - 論文VLA/アクションチャンキングロボティクス
停止タイミングの学習:VLAにおける内部クロスアテンション動態を用いた適応的アクションチャンキング
固定長のアクションチャンキングの限界を克服するため、アクションエキスパート内のクロスアテンションのエントロピー上昇を検出し、実行中に動的にチャンク長を調整するトレーニング不要の手法を提案した。
原題: Knowing When to Stop: Adaptive Action Chunking via Internal Cross-Attention Dynamics in VLAs / Runze Xu, Xiaolong Shan, Shuang Dai 他
日本語で読む → - 論文VLAAI
家庭用デバイスの汎用的視覚基盤探索に向けて
視覚言語モデルが未知の家庭用デバイスを操作する能力を評価する新しいベンチマークVGEBenchを提案し、既存モデルが知識を物理的操作に変換するのが難しいことを示した。
原題: Towards Generalizable Visually Grounded Exploration of Household Devices / Linhao Zheng, Zeming Liu, Wangke Chen 他
日本語で読む → - 論文VLA/スキル学習機械学習
REFACTOR-VLA: 型付きモータープログラムの教師なしライブラリ学習
本論文は、ロボットの行動を再利用可能な抽象化(スキル)として組織化する新しいVLAモデルを提案し、長期的なタスクでの性能向上と解釈可能性の向上を目指す。
原題: REFACTOR-VLA: Unsupervised Library Learning of Typed Motor Programs / Riyaaz Shaik, Chandru Venkataraman
日本語で読む → - 論文VLA/ドローン制御ロボティクス
マルチモーダルLLMをドローン制御の汎用視覚言語行動エージェントとして評価する:指令、接近、追跡、探索
マルチモーダルLLMをドローン制御ループに直接組み込み、プロンプトのみで行動空間を宣言するエージェントを提案し、接近・追跡・探索・群制御の4能力を評価するベンチマークを導入した。
原題: Evaluating Multimodal LLMs as Generalist Vision-Language-Action Agents for Drone Control: Commanding, Approaching, Tracking and Searching / Jaewoo Park, Minyoung Lee, Sukmin Seo 他
日本語で読む → - 論文VLA画像認識
ZimaBlue: スケーラブルなビデオ事前学習による汎化可能な世界行動モデルの進化
大規模な一人称視点ビデオからロボット制御のための世界行動モデルを学習するフレームワークを提案し、実機ゼロショット評価で成功率を大幅に向上させた。
原題: ZimaBlue: Evolving Generalizable World Action Models through Scalable Video Pre-training / Xionghao Wu, Yijun Yang, Shiyang Zhou 他
日本語で読む → - 論文VLAロボティクス
CometVLA: 身体性データピラミッドの共学習による物理理解の獲得
ロボット操作タスクにおける物理常識の欠如を補うため、身体性に整合した物理VQAデータとベンチマークを構築し、VLAモデルを共学習させる手法を提案。実世界とシミュレーションで性能向上を確認した。
原題: CometVLA: Co-Training on an Embodied Data Pyramid towards Physical Understanding / Hanwen Wan, Dafeng Chi, Linbo Zhai 他
日本語で読む → - 論文VLA/自動運転ロボティクス
言語の役割を再考する:自動運転のための効率的VLAへ向けて
自動運転におけるVLAモデルで、推論時の言語使用を4段階に分類し、効率性と信頼性の観点から手法を整理・分析したサーベイ論文。
原題: Rethinking Language's Role in Efficient VLA for Autonomous Vehicles: Toward Smarter, Trustworthy Driving / Tongfei Guo, Lili Su
日本語で読む → - 論文VLAロボティクス
PAVE: 世界行動ポリシーのための予測的アライメントと価値誘導進化
視覚言語行動ポリシーに、複数時間スケールの遷移予測と価値ベースの条件付けを導入し、軌道の質を考慮した学習を可能にする手法を提案した。
原題: PAVE: Predictive Alignment and Value-Guided Evolution for World-Action Policies / Botong Zhao, Fang Yu, Tim 他
日本語で読む → - 論文VLA/ベンチマークロボティクス
Behavior-Skill: 長期的タスクにおける視覚-言語-行動ポリシー評価のための細粒度ベンチマーク
長期的なモバイル操作タスクを構成するスキル単位で学習・評価するベンチマークを提案し、VLAポリシーの失敗箇所を詳細に分析できるようにした。
原題: Behavior-Skill: A Fine-Grained Benchmark for Evaluating Vision-Language-Action Policies in Long-Horizon Tasks / Chunyun Ma, Lun Luo, Xingjian Luo 他
日本語で読む → - 論文VLAロボティクス
時間的強制:視覚・言語・行動モデルのための4D表現アライメント
VLAモデルに履歴パスを導入し、4D基盤モデルの幾何特徴と整列させることで、時間情報を活用した操作性能を向上させた。
原題: Temporal Forcing: 4D Representation Alignment for Vision-Language-Action Models / Xingyu Ding, Yuzhong Zhao, Chunhai Zhao 他
日本語で読む → - 論文VLA/自動運転画像認識
VLA運転のためのマルチ軌道教師信号とポリシー最適化の整合
VLA運転モデルにおいて、マルチ軌道模倣学習とGRPOを整合させる新しいフレームワークを提案し、非実行可能な軌道による勾配バイアスをパレート最適性と動的蒸留で解消する。
原題: Aligning Multi-Trajectory Supervision with Policy Optimization for VLA Driving / Tian Zhang, Zhuo Huang, Hongrui Ye 他
日本語で読む → - 論文VLA/社会的相互作用自然言語
私たちが見抜ける嘘:身体的社会的相互作用におけるVLMエージェントによる言語・非言語連携欺瞞
3Dマルチモーダル環境『MineAmongUs』を構築し、VLMエージェントが言語と非言語行動を組み合わせて欺瞞を行う様子を分析。非言語チャネルが勝利に重要であることを示した。
原題: Lies We Can See: Joint Verbal and Non-Verbal Deception by VLM Agents in Embodied Social Interactions / Jaewoo Ahn, Junseo Kim, Hyunseo Kim 他
日本語で読む → - 論文VLA/蒸留/操作制御
対称性を活用した視覚言語行動蒸留によるロボット操作
大規模VLAモデルの知識を、操作タスクの幾何学的対称性を利用して小型の学生ポリシーに蒸留するフレームワークを提案し、サンプル効率と汎化性を向上させた。
原題: SymVD: Symmetric Vision Language Action Distillation for Robot Manipulation / Hyewon Choi, Donggyu Kim, Soojean Han
日本語で読む → - 論文VLA/操作ロボティクス
凍結VLAポリシーのための達成基盤メモリによる閉ループエージェント
凍結された視覚-言語-行動(VLA)ポリシーに、物理的証拠で検証されたサブゴール進行ポインタを持つ軽量メモリを追加し、開ループ実行を閉ループ化するフレームワークを提案。
原題: AGM: Achievement-Grounded Memory for Closed-Loop Agents with Frozen VLA Policies / Hongbo Gao, Zeyu Ni, Xin Wen 他
日本語で読む →
PR・アフィリエイト広告
