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: 2026/8/1 / 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/操作ロボティクス
手首から世界へ:微細ロボット操作のためのタスク条件付き未来手首モデリング
VLAモデルにおいて、主視点と手首視点を並列に扱うのではなく、タスク文脈に基づいて手首の未来の動きを予測する新しいモデルW2-VLAを提案。これにより、微細で接触を伴う操作の精度が向上し、80Hz以上の高速な行動生成を維持する。
原題: World-to-Wrist: Task-Conditioned Future Wrist Modeling for Fine-Grained Robot Manipulation / Yuhao Pan, Haosong Peng, Zhengshen Zhang 他
日本語で読む → - 論文VLA/接触操作ロボティクス
接触を伴うタスクにおけるVLAの失敗原因の解明とその修正方法
視覚言語行動モデルが接触を伴う操作タスクで失敗する原因を2つのモードに分類し、それぞれに特化した対策を組み合わせたFACTを提案。実機2500回の評価で成功率66%を達成した。
原題: Demystifying When and Why VLAs Fail in Contact-Rich Tasks and How to Fix Them / Carlota Parés-Morlans, Nils Kuhn, Isabel Liu 他
日本語で読む → - 論文VLA/強化学習ロボティクス
新規ロボット形態に対するOpenVLA-OFTのRLブートストラッピング
事前学習済みのVLAポリシーを、デモデータなしでケーブル駆動パラレルロボットに適応させるため、シミュレーション内でPPOとGRPOを用いた強化学習を行い、指示成功率を向上させた。
原題: RL Bootstrapping of OpenVLA-OFT for a Novel Robot Embodiment / Damir Nurtdinov, Alexei Kornaev, Alexander Maloletov
日本語で読む → - 論文VLAロボティクス
ゼロショット視覚言語制御における視覚的接地の検証
視覚言語モデルをゼロショット制御に使う際、成功軌道が実際に視覚入力に基づいているかを入力削除テストで検証し、多くのモデルが視覚に依存せず動作することを示した。また、対称性を利用したガーディアン機構で視覚接地を改善する手法を提案した。
原題: Visual Grounding in Zero-Shot Vision-Language Control / J. de Curtò, Dayani Plasencia, Diego Sánchez 他
日本語で読む → - 論文データ選択/器用操作/VLAロボティクス
SiMDex: 類似する自己中心視点動画のマイニングによるクロスエンボディ器用操作
ロボットの器用操作のためのVLAモデル訓練に有効な人間の自己中心視点動画を、類似性に基づくデータマイニングで選別するフレームワークを提案。約3200万サンプルから1.49百万件を選び、成功率を47.7%から61.1%に向上させた。
原題: SiMDex: Mining Similar Egocentric Videos for Cross-Embodiment Dexterous Manipulation / Nie Lin, Takehiko Ohkawa, Sijin Chen 他
日本語で読む → - 論文VLAロボティクス
FreqNav: 物体指向型空中視覚言語ナビゲーションのための段階的周波数ルーティング
空中VLNタスクにおいて、ナビゲーション段階に応じて視覚トークンの周波数成分を動的に再配分する軽量な適応認識フレームワークFreqNavを提案し、ベースラインを上回る性能と約3倍の推論高速化を実現した。
原題: FreqNav: Stage-Wise Frequency Routing for Object-Oriented Aerial Vision-Language Navigation / Yin Tang, Jiawei Ma, Jiahao Li 他
日本語で読む → - 論文VLAロボティクス
抑制は効くが局所性は脆い:VLAポリシーにおけるタスクベクトル否定の閉ループ標的・制御監査
マルチタスクの視覚言語行動(VLA)ポリシーからタスクベクトルを引き算したときの挙動を、全10スキルで監査し、抑制可能・抵抗・全崩壊の3つの様式があることを示した。
原題: Suppression Sticks, Locality Is Fragile: A Closed-Loop Target-and-Control Audit of Task-Vector Negation in VLA Policies / Shaoguang Wang, Weiyu Guo, Rushi Dai 他
日本語で読む → - 論文VLAロボティクス
BridgeVLA++: 3次元操作のためのデータ効率的で汎化可能なメモリ拡張型視覚言語行動フレームワーク
事前学習済み視覚言語モデルを活用した3次元ロボット操作フレームワークBridgeVLAを拡張し、空間的・時間的メモリを統合することで、データ効率と汎化性能を保ちつつ、記憶依存の操作タスクで最先端の性能を達成した。
原題: BridgeVLA++: A Data-Efficient, Generalizable, and Memory-Augmented Vision-Language-Action Framework for 3D Manipulation / Peiyan Li, Yuze Zhu, Yixiang Chen 他
日本語で読む → - 論文VLAロボティクス
SG-WAM: テキスト接地と空間認識を備えた意味的ガイダンスによるワールドアクションモデル
ロボット操作のためのワールドアクションモデルに、VLMを意味プランナーとして用いてテキスト指示に基づく意味的先見を注入し、将来ビデオ生成と行動予測の指示追従精度を向上させる手法を提案した。
原題: SG-WAM: Text-Grounded and Spatial-aware Semantic Guidance for World-Action Models / Junjie He, Junfeng Li, Zhide Zhong 他
日本語で読む → - 論文VLAロボティクス
継続か再計画か?適応的実行期間のためのベルヌーイ継続方策学習
固定長のアクションチャンクを実行するVLAモデルにおいて、再計画のタイミングをタスク進捗に応じて適応的に決める軽量フレームワークを提案し、成功率を向上させた。
原題: Continue or Replan? Bernoulli-Continuation Policy Learning for Adaptive Horizon Execution / Weichen Xu, Zhenhua Liu, Lin Luo 他
日本語で読む → - 論文VLA画像認識
Robust-WAM:生成事前学習と意味的先見を橋渡しするワールドアクションモデル
ビデオ生成モデルの事前学習を活かしつつ、意味的潜在空間での先見アライメントを追加することで、見た目の変化に頑健なロボット制御を実現するポストトレーニング手法を提案した。
原題: Robust-WAM: Bridging Generative Pretraining and Semantic Foresight in World-Action Models / Haodong Yan, Junfeng Li, Junjie He 他
日本語で読む → - 論文VLAロボティクス
時間で検索し、周波数で補正する
凍結された視覚言語行動ポリシーの性能を、訓練なしのテスト時補正フレームワークで向上させる。成功軌道からの低周波残差を転送し、長期的な操作タスクの成功率を改善する。
原題: Retrieve in Time, Correct in Frequency / Yuze Fan, Yue Cao, Pengjie Gao 他
日本語で読む → - 論文VLAロボティクス
G0.5: ロボットの推論と行動のための単一自己回帰ストリーム
単一のトランスフォーマーデコーダが推論トークンと行動トークンを同一の目的で生成する、事前学習済み自己回帰VLAモデルG0.5を提案。異なるロボットの行動を共有語彙に変換するトークナイザーや、チェーン・オブ・ソート、視覚メモリを導入し、複数のベンチマークでSOTAを達成。
原題: G0.5: One Autoregressive Stream for Robot Reasoning and Action / Yicheng Liu, Zibin Dong, Baijun Ye 他
日本語で読む → - 論文セキュリティ/VLAロボティクス
紙一枚でロボットを乗っ取る:VLM制御ロボットにおける物理的プロンプトインジェクションの体系的研究
VLMを搭載したロボットの視界に置かれた敵対的なテキストが、間接的なプロンプトインジェクションとして機能することを体系的に調査し、攻撃の分類法とベンチマークを構築して、複数のVLMに対する攻撃成功率と防御策を評価した。
原題: Hijacking Robots with a Piece of Paper: A Systematic Study of Physical Prompt Injection in VLM-Controlled Robots / S. M . Bhagya P. Samarakoon, M. A. Viraj J. Muthugala, W. K. R. Sachinthana 他
日本語で読む → - 論文VLAロボティクス
LIRA: 視覚言語行動デコーディングのための局所クロスレイヤー情報ルーティング
VLAモデルにおいて、VLMの中間特徴をアクションデコーダにルーティングする新しい機構LIRAを提案。深さを考慮した局所ウィンドウで情報を集約し、既存のバックボーンや学習手法を変えずに性能を向上させる。
原題: LIRA: Local Cross-Layer Information Routing for Vision-Language-Action Decoding / Zhewei Zhang, Puyue Wang, Guanren Qiao 他
日本語で読む → - 論文VLAロボティクス
DreamWAM: RGBを超えた未来予測による世界行動モデル
世界行動モデル(WAM)の未来予測をRGBだけでなく、外観・動き・幾何・意味の構造化表現で行うことで、ロバストな行動学習を実現した。
原題: DreamWAM: Beyond RGB Future Prediction for World Action Models / Shanglin Yuan, Weiheng Zhao, Xin Shi 他
日本語で読む → - 論文VLAロボティクス
文脈内VLA:文脈内ポストトレーニングとエージェント的ツール使用による視覚言語行動モデルへの言語能力の付与
視覚言語行動(VLA)モデルに、自由形式の思考連鎖ではなく、構造化された文脈情報とツール使用を通じて接地された言語を消費する能力を与えるフレームワークを提案し、シミュレーション環境でその有効性を示した。
原題: In-Context VLA: Endowing Vision-Language-Action Models with Language via In-Context Post-Training and Agentic Tool Use / Jiarui Yang, Wen Huang, Jiale Zhang 他
日本語で読む → - 論文VLAロボティクス
動作と言語条件付きビデオ評価による身体化制御の進捗推定
視覚ベースの身体化エージェントが多段階の自然言語指示を実行する際、軌跡全体の進捗を評価する新しい手法ALVAを提案。事前学習済みVLMを用いて、観察・動作系列・指示に基づき離散的な進捗スコアを出力し、閉ループ最適化のフィードバックとして有効性を示した。
原題: Action- and Language-Conditioned Video Assessment for Embodied Control / Hwanhee Kim, Jaehyun Jang, Seungmin Cha 他
日本語で読む → - 論文VLAロボティクス
Ego2Robot: 自己中心視点の人間データからのスケーラブルなロボットデータ合成
自己中心視点の人間の操作動画を、行動リターゲティングとロボットアームの視覚合成、品質キュレーションを経てロボット訓練データに変換するスケーラブルなパイプラインを提案し、大規模データセットでVLAモデルの汎化性能を向上させた。
原題: Ego2Robot: Scalable Robot Data Synthesis from Egocentric Human Data / Ye Wang, Pei Lin, Xiong-Hui Chen 他
日本語で読む → - 論文VLAロボティクス
ゲートはキャッシュではない:ゲートの由来が訓練不要のVLAトークンスキップの閉ループ信頼性を決める
VLAモデルのトークンスキップ高速化において、前ステップの加速された順伝播からゲートを取るとスキップが累積して性能が崩壊することを示し、ロボット実行中に密な順伝播を1回行う「アクチュエーションスラックリフレッシュ」を提案して性能を回復させた。
原題: The Gate, Not the Cache: Gate Provenance Bounds the Closed-Loop Reliability of Training-Free VLA Token Skipping / Qi Luo, Shuaijun Liu, Hao Zhao 他
日本語で読む → - 論文VLAロボティクス
WAM-Diff2: 階層的AR-to-Diffusion蒸留による高効率自動運転VLA
事前学習済みの自己回帰型VLAモデルを、並列実行可能な拡散モデルへ変換するための3段階の階層的蒸留戦略を提案し、推論速度を大幅に向上させつつ性能を維持する。
原題: WAM-Diff2: Hierarchical AR-to-Diffusion Distillation for Highly Efficient Autonomous Driving VLA / Zhihao Zhu, Hanlin Shang, Mingwang Xu 他
日本語で読む → - 論文自動運転/VLA/協調運転AI
CMU-DriveとV2V-VLA:推論ベンチマークと車車間ビジョン・ランゲージ・アクションモデルによる協調マルチエージェント統合運転
協調自動運転のための閉ループベンチマークCMU-Driveと、車車間通信を統合したVLAモデルV2V-VLAを提案し、複数CAVの協調認識・推論・計画を評価する。
原題: CMU-Drive and V2V-VLA: Cooperative Multi-agent Unified Driving with Reasoning Benchmark and Vehicle-to-Vehicle Vision-Language-Action Models / Hsu-kuang Chiu, Stephen F. Smith
日本語で読む → - 論文移動操作/VLAロボティクス
DreamTrajectory: ワールドモデル整合による軌道誘導型行動生成による移動操作
移動操作ロボットのための軌道誘導型フレームワークを提案し、意図レベルの軌道予測と全身行動生成を統合、テスト時探索で計画軌道との整合性を高め成功率を向上させた。
原題: DreamTrajectory: Trajectory-Guided Action Generation with World Model Alignment for Mobile Manipulation / Zheng Yang, Wenjie Zhang, Xiangyu Chen 他
日本語で読む → - 論文VLA/ナビゲーションロボティクス
HumanoidVLN:多様な人型ロボットのための物理基盤シミュレータと視覚言語ナビゲーションベンチマーク
二足歩行の物理制約や人型ロボットの形態差を考慮した、視覚言語ナビゲーションのための物理シミュレータとベンチマークを構築した。4種類の人型ロボットと複数のVLNモデルを統合し、933の衝突考慮エピソードを提供する。
原題: HumanoidVLN: A Physics-Grounded Simulator and Benchmark for Vision-Language Navigation Across Diverse Humanoid Embodiments / Quan-Dung Pham, Anh Dao, The-Anh Nguyen 他
日本語で読む → - 論文VLAロボティクス
未来を保持し、ロールアウトを捨てる:ワールドアクションモデルのためのRIFT
ロボットの行動生成に使われるワールドアクションモデル(WAM)において、反復的なビデオロールアウトを必要とせず、学習された予測トークンを用いて将来のキャッシュを一回のパスで構築する手法RIFTを提案し、遅延を大幅に削減しつつ成功率を維持できることを示した。
原題: Keep the Future, Drop the Rollout: RIFT for World Action Models / Chushan Zhang, Jinguang Tong, Xuesong Li 他
日本語で読む → - 論文VLA/世界モデルロボティクス
JEPA-WAM: 共同埋め込み世界モデリングによる視覚-言語-行動ポリシーの学習
事前学習済みV-JEPA空間に基づく潜在世界モデルを構築し、遷移予測と行動生成を共有予測器で結合することで、効率的かつ高精度なロボット制御を実現した。
原題: JEPA-WAM: Learning Vision-Language-Action Policies with Joint-Embedding World Modeling / Yihan Lin, Jiawei He, Shifeng Bao 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 → - 論文VLAロボティクス
AtlasVLA: 視覚言語行動モデルのための持続的な世界・自我状態モデリング
単眼カメラのみで長期的なタスクを遂行できるよう、視覚言語行動モデルに持続的な世界状態メモリと自我作業メモリを導入し、空間推論とタスク進行の追跡を可能にした。
原題: AtlasVLA: Persistent World-Ego State Modeling for Vision-Language-Action Models / Guiyu Zhao, Longteng Guo, Yanghong Mei 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/推論最適化ロボティクス
ニューラル内省ゲーティングによる視覚言語行動モデルの適応的KVキャッシュ再利用
視覚言語行動モデル(VLA)の推論コスト削減のため、視覚的類似性に基づくKVキャッシュ再利用に、モデル自身の不確実性(ロジットマージン)を監視してキャッシュを無効化する軽量なトレーニング不要の手法を提案した。
原題: Neural Introspection Gating for Adaptive KV-Cache Reuse in Vision-Language-Action Models / Zhijie Wu, Kento Kawaharazuka, Kei Okada
日本語で読む →
PR・アフィリエイト広告
