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: 2026/8/14 / 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/ロボットマニピュレーションロボティクス
想像による回復:推論時カウンターファクチュアル再調整による視覚言語行動モデルの復旧
視覚言語行動モデルがオンラインの外乱(目標変更や物理的摂動)に直面した際、失敗データや再学習なしに、推論時に「もしも」の継続を想像してロボットと環境を最小限に再調整する訓練不要の回復フレームワークを提案した。
原題: Imagining Recovery: Inference-Time Counterfactual Realignment for Vision-Language-Action Models / Yanyan Zhang, Disheng Liu, Kai Ye 他
日本語で読む → - 論文VLAロボティクス
SkillComposer: 自然言語によるロボットプログラミングのための再利用可能なスキル学習
自然言語でロボットに複雑なタスクを指示する際、LLMが多段階の指示を分解したり過去の解決策を再利用したりするのが難しい問題に対し、生成とテストを繰り返すアーキテクチャと、成功したプログラムから再利用可能なマクロスキルを自動学習する手法を提案した。
原題: SkillComposer: Learning Reusable Skills for Natural-Language Robot Programming / John Woods, Hasti Seifi
日本語で読む → - 論文VLAロボティクス
反射:反応が重要な操作のための高速で予測的な視覚言語行動モデル
動的操作における反応速度を重視したベンチマークReflexBenchを新設し、低遅延で予測的なVLAモデルReflexVLAを提案した。
原題: Reflex: Enabling Fast and Predictive Vision-Language-Action Models for Reaction-Critical Manipulation / Yuxuan Chen, Wanruo Zhang, Xiao Li
日本語で読む → - 論文VLA/ツール使用ロボティクス
視覚言語行動モデルをオンザフライツール使用エージェントへ進化させる
VLAモデルにツール注入フレームワークを統合し、低次視覚・高次アフォーダンス・身体性を強化するエージェントARTを提案。ツール使用により行動解空間を縮小し、汎用性向上とデータ依存低減を実現。
原題: Evolve Vision-Language-Action Model into an Agent with On-the-fly Tool-use / Yi Ding, Yanzhao Yu, Xili Dai 他
日本語で読む → - 論文巧みな操作/VLA/身体間転移ロボティクス
AdvDex: 関節整合アクションと敵対的学習による人間のデモからの巧みな操作学習
人間とロボットのデモを統合したVLAフレームワークを提案し、関節整合アクション空間と敵対的学習により異なる身体間の汎化を実現した。
原題: AdvDex: Learning Dexterous Manipulation from Human Demonstrations via Joint-Aligned Actions and Adversarial Learning / Zhiyue Zhao, Jingyi Wu, Hairuo Liu 他
日本語で読む → - 論文VLAロボティクス
BICPO-VLA: 行動識別による継続選好最適化を用いた滑らかな非同期視覚言語行動制御
ロボットの動作生成中に生じる要求から引き継ぎまでのギャップを、行動意図の識別、Haar部分空間による動作チャンク分解、参照相対Flow-DPOによる適応の3段階で解消する手法を提案した。
原題: BICPO-VLA: Behavior-Identified Continuation Preference Optimization for Smooth Asynchronous Vision-Language-Action Control / Ming Shang, Yuchen Huang, Jiaoyang Chen 他
日本語で読む → - 論文VLA画像認識
社会的音声・視覚質問応答における推論:現状はどこにあるのか?
社会的音声・視覚理解のためのMLLMの推論手法を検証し、既存ベンチマークのノイズを除去したIntentBench-Primeを公開。単純なVanilla SFTが高コストな推論手法と同等以上の性能を示すことを発見した。
原題: Reasoning for Social Audio-Visual Question Answering: Where Do We Stand? / Koen P. de Vries, Xavier Alameda-Pineda, Estefanía Talavera 他
日本語で読む → - 論文VLA/プランニングAI
HUGIN: 自律物流仕分けのための視覚言語プランニングの強化
自律物流仕分けシステムにおける複数カメラ視点を統合した計画問題を新たに定義し、視覚言語モデルの性能を高める訓練フレームワークHUGINを提案。データ拡張と文脈ランキングにより精度を大幅に向上させた。
原題: HUGIN: Enhancing Vision-Language Planning for Autonomous Logistics Sorting / Xikai Sun, Cangtian Zhou, Kebin Liu 他
日本語で読む → - 論文VLAAI
見ずして先を見通す:ワールドアクションモデルのための潜在的未来
未来のビデオを生成せずに、潜在的な未来の状態をアクション生成に活用する新しいワールドアクションモデル「ForeWAM」を提案し、LIBEROベンチマークで高い成功率を達成した。
原題: Foresight Without Seeing: Latent Futures for World Action Models / Jiakai Huang, Zhongbo Wu, Zheng Zhang 他
日本語で読む → - 論文VLA画像認識
視覚言語モデルの空間推論のための多視点関係蒸留
視覚言語モデルの空間推論能力を向上させるため、幾何学的に基盤づけられた視覚モデルから、特徴量そのものではなく視点間のパッチ類似度を蒸留する手法を提案した。
原題: Multi-View Relational Distillation for Spatial Reasoning with Vision-Language Models / Kiet T. Nguyen, Hanbo Shim, Jinwoo Kim 他
日本語で読む → - 論文VLA/空間推論画像認識
空間思考の連鎖:視覚言語モデルのためのモダリティ非依存の空間接地
追加の推論時モジュールを必要とせず、連続的な空間トークンを導入して視覚言語モデルの空間推論能力を向上させる軽量フレームワークを提案した。
原題: Chain of Spatial Thoughts: Modality-Agnostic Spatial Grounding for Vision Language Models / Hunter Schofield, Mohammed Elmahgiubi, Mohammad Mahdavian 他
日本語で読む → - 論文VLAロボティクス
Mambaベースの選択的状態空間モデリングがSmolVLA視覚言語行動エキスパートの精度-計算量トレードオフを改善
VLAモデルの精度と計算量のトレードオフを改善するため、SmolVLAの行動エキスパートにMambaの選択的状態空間モデリングを適用し、LIBEROベンチマークで長い実行ホライズンでの成功率向上を実証した。
原題: Mamba-based Selective State Space Modeling Improves the Accuracy-Complexity Tradeoff of SmolVLA Vision-Language-Action Experts / Farida Mohsen, Thowayba Elkaffash, Mohammad Reza Chalak Qazani 他
日本語で読む → - 論文VLA/空間理解画像認識
回復から低下へ:アクション事後学習がVLMの後層深度デコード可能性を減少させる仕組み
VLA構築のためのアクション事後学習が、VLMの空間理解(特に深度知覚)をどのように劣化させるかを、層ごとのプローブで分析した論文。後層のMLP干渉が主因であることを特定した。
原題: From Recovery to Drop-off: How Action Post-training Reduces a VLM's Late-Layer Depth Decodability / Alexander Hackett, Arnaud Denis-Remillard, Axel Cassou
日本語で読む → - 論文VLA/ナビゲーションAI
WNM-3D: 3Dシーン条件付けによるクローズドループVLNのための世界ナビゲーションモデル
連続的な視覚言語ナビゲーション(VLN)のための生成的世界行動モデルを提案し、3Dシーン表現を条件として将来の視覚と行動を同時生成することで、クローズドループのナビゲーション性能を向上させた。
原題: WNM-3D: A World Navigation Model with 3D Scene Conditioning for Closed-Loop VLN / Yuehao Huang, Yunzi Wu, Xiaotao Zhang 他
日本語で読む → - 論文VLAロボティクス
オンザフライVLN:空中ロボット向けオンボード視覚言語ナビゲーションスタック
視覚言語モデルによる指示の接地、深度による3D目標生成、Bスプライン計画、強化学習制御を分離したオンボードスタックを構築し、屋内飛行で目標到達を実証した。
原題: VLN on the Fly: An Onboard Vision-Language Navigation Stack for Aerial Robots / Marco S. Tayar, Felipe Tommaselli, Gianluca Capezutto 他
日本語で読む → - 論文VLAAI
Capek 0.5: 実行中心の視覚言語モデルによる具現化知能
ロボットの実行プロセスに着目し、空間推論・時間理解・行動誘導・状態検証の4つの能力を専門家モデルで学習し、統合する視覚言語モデルCapek 0.5を提案した。
原題: Capek 0.5: An Execution-Centric Vision-Language Model for Embodied Intelligence / Ying Chen, Weizhen Li, Zhe Hu 他
日本語で読む → - 論文VLAロボティクス
StepTrigger:VLM搭載脚ロボットに対する接触状態トリガ型バックドア攻撃
脚ロボットの足裏圧力・接地パターンを隠しトリガとして学習させ、VLMプランナーの目標選択を密かに切り替えるバックドア攻撃を提案し、良性接触と悪性接触を選別する方策を評価した。
原題: StepTrigger: Contact-State-Triggered Backdoor Attacks on VLM-Powered Legged Robots / Jiageng Zhang, Doniyorkhon Obidov, Kaichen Yang
日本語で読む → - 論文VLA画像認識
CofactVLA: 反事実的介入による視覚・言語・行動モデルの交絡除去
視覚・言語・行動モデルが言語指示を無視して視覚的な交絡因子に過適合する問題を、反事実的介入を用いて軽減する新しい因果介入フレームワークを提案した。
原題: CofactVLA: Deconfounding Vision-Language-Action Models via Counterfactual Intervention / Yan Zhang, Yinan Wu, Haoran Duan 他
日本語で読む → - 論文VLA/エッジ推論cs.AR
Deltoris: ビットレベル疎性と投機的推論による具現化AIのリアルタイムVLA推論の実現
拡散ベースのVLAモデルのエッジでの高速推論を実現するため、時間的類似性を利用したビット疎性アルゴリズムと投機的推論、専用アクセラレータを設計した。
原題: Deltoris: Enabling Real-time VLA Inference in Embodied AI via Bit-level Sparsity and Speculative Inference / Zheng Liu, Zeyu Guo, Zihan Liu 他
日本語で読む → - 論文VLA/攻撃画像認識
DRIFT: フローマッチングVLAのノイズ除去軌道を敵対的パッチ攻撃で脱線させる
フローマッチング型の視覚言語行動モデルに対する敵対的攻撃手法を提案し、ロボットのグリッパーに置いた小さなパッチでほぼ全てのタスクを失敗させられることを示した。
原題: DRIFT: Derailing Denoising Trajectories of Flow-Matching VLAs with Adversarial Patch Attack / Hoseong Tae, Jong-Seok Lee
日本語で読む → - 論文VLAロボティクス
重要な場所を見る:視覚言語行動モデルのための適応的視覚精緻化
VLAモデルの視覚エンコーダに生じる注意アーティファクトを修正し、不確実性に基づいて高解像度の局所精緻化を行うフレームワークAtVLAを提案した。
原題: Look Where It Matters: Adaptive Visual Refinement for Vision-Language-Action Models / Jin Cui, Yanbin Hu, Xinyue Long 他
日本語で読む → - 論文VLA画像認識
SpatioLM: 視覚言語モデルにおける汎用物理空間知能の実現
視覚言語モデルに追加の3D入力や外部エンコーダを使わず、パラメータ効率的なモジュールと擬似深度・カメラ情報の教師信号で空間推論能力を強化し、汎用性能の低下を抑えつつ空間知能を向上させた。
原題: SpatioLM: Towards General Physical Spatial Intelligence in Vision-Language Models / Jing Wu, Jianhua Wu, Jiayi Guan 他
日本語で読む → - 論文VLAロボティクス
接地された意味的再結合による視覚言語行動モデルの指示一般化の堅牢化
VLAモデルが言い換え指示で性能低下する原因を、アーキテクチャ上の問題として特定し、タスク意味と視覚特徴を明示的に融合する介入(GSR)を提案して、パラフレーズ不変性を大幅に改善した。
原題: Grounded Semantic Re-Binding for Robust Instruction Generalization in Vision-Language-Action Models / Zhaokai Yin, Zhipeng Zhang
日本語で読む → - 論文VLA/操作ロボティクス
ChainVLA: 統一実行状態による長期的操作のためのビジョン・言語・行動クエリの連鎖
長期的な操作タスクにおいて、過去の行動の結果と現在の動作を連鎖させる新しいVLAポリシーを提案。進行状況コンテキストとモーションテールを統合し、高い成功率を達成。
原題: ChainVLA: Chaining Vision-Language-Action Queries through a Unified Execution State for Long-Horizon Manipulation / Yuzhi Huang, Weijue Bu, Ziyi Xiong 他
日本語で読む → - 論文VLAロボティクス
ProtoAct: ウェットラボのプロトコルを具現化ロボット動作へ変換する
生物学のウェットラボ手順書を、状態を考慮したロボット実行可能な行動系列に変換するフレームワークを提案。手順の欠落や不整合を検出・修正し、JSON形式の関数系列にマッピングする。
原題: ProtoAct: Turning Wet-Lab Protocols into Embodied Robotic Actions / Zhe Liu, Jiaming Gu, Zhaohui Du 他
日本語で読む → - 論文VLAロボティクス
ValueFormer: ステージ認識ラベルを備えた半自律VLAポリシーのための因果トランスフォーマー価値関数
行動クローニングによるVLAポリシーは失敗を検出できないため、密で連続的な価値ラベルを生成するコンパクトな因果トランスフォーマーを提案し、実ロボットのサンドイッチ組み立てタスクで成功率を70%から85%に向上させた。
原題: ValueFormer: A Causal Transformer Value Function with Stage-Aware Labels for Semi-Autonomous Vision-Language-Action Policies / Inkyu Sa, Konstantin Stulov, Rajat Bhageria
日本語で読む → - 論文VLA/ロバスト性ロボティクス
VLAGuard: ワイヤレスセンサネットワークにおける視覚言語行動ロボットの物理的注意ハイジャック評価・緩和フレームワーク
VLAロボットの注意機構を妨害する物理的攻撃を評価し、注意保護ファインチューニングにより攻撃耐性を大幅に向上させるフレームワークを提案した。
原題: VLAGuard: A Framework for Evaluating and Mitigating Physical Attention Hijacking in Vision-Language-Action Robots within Wireless Sensor Networks / Dongfu Yin, Jinquan Zhang
日本語で読む → - 論文VLA画像認識
STAR-VLM: 自動車レーダー監視による動きと速度推定のための時空間接地視覚言語モデル
自動車レーダーのドップラー計測を教師信号として用い、視覚言語モデルの時空間推論とメートル単位の速度推定能力を向上させるフレームワークを提案した。
原題: STAR-VLM: Spatiotemporal Grounding Vision-Language Models for Motion and Velocity Estimation via Automotive Radar Supervision / Pou-Chun Kung, Aryaman Rao, Utkrisht Sahai 他
日本語で読む → - 論文VLA画像認識
DreamX-Phi 1.0: ロボット操作のための行動条件付きビデオワールドモデル
観測フレームと言語指示、行動系列から将来の観測を予測するビデオワールドモデルを提案。アームの軌道忠実性と物体一貫性を保つため、幾何エンコーディングと深度・マスク情報を活用し、蒸留で高速化した。
原題: DreamX-Phi 1.0: Action-Conditioned Video World Model for Robotic Manipulation / DreamX Team, Rui Chen, Xiangxiang Chu 他
日本語で読む → - 論文VLAロボティクス
Flex-π: 計算柔軟性を備えたマルチストリーム世界行動モデル
既存の世界行動モデルはRGBのみを予測するが、Flex-πは凍結したビデオ生成VAEが3D点群も符号化できることを発見し、3D幾何学とオブジェクト中心のセマンティクスを追加で学習。ストリームごとのドロップアウトにより、単一のチェックポイントで高速な行動のみから完全な共同生成まで柔軟に動作し、実世界の両腕操作タスクで高い性能を達成。
原題: Flex-$\pi$: A Multi-Stream World-Action Model with Compute Flexibility / Ge Yan, Jinghao Liu, Yuzhi Fan 他
日本語で読む →
PR・アフィリエイト広告
