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ロボティクス
OC-VLA++: 単眼幾何ガイドによるクロスビュー一貫性を用いた視点ロバストなロボット操作
カメラ座標系での行動接地に加え、幾何学的に関連する視点ペアからの教師信号とクロスビュー行動等変性を導入し、限られたカメラ視点での未見視点への汎化性能を向上させた。
原題: OC-VLA++: Monocular Geometry-Guided Cross-View Consistency for Viewpoint-Robust Robotic Manipulation / Tianyi Zhang, Ziyang Gong, Zhenjie Yang 他
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/解釈可能性ロボティクス
VLA表現からのタスク進捗の解読
視覚言語行動モデル(VLA)の内部表現からタスクの進捗状況が線形に読み取れることを発見し、それを用いたラベル不要の異常検出器を提案した論文。
原題: Decoding Task Progress from VLA Representations / Atiksh Bhardwaj, Edward Weiyi Duan, Prithwish Dan 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
SelfWAM: 自己接地型統一ワールドアクションモデルによる高速ロボット制御
ロボットの行動と将来の観測を同時に予測する統一モデルを提案し、行動条件付きの将来予測を自己マスクで接地することで、ポリシー学習の性能を向上させた。
原題: SelfWAM: A Self-Grounded Unified World Action Model for Fast Robot Control / Bikang Pan, Fan Liu, Haotao Lu 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/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 → - 論文VLA/推論高速化ロボティクス
WA-SpecDec: 世界認識型投機的デコーディングによる視覚言語行動モデルの高速化
視覚言語行動モデルの推論を高速化するため、世界モデル由来の物理シーン認識を投機的デコードに組み込み、接触近傍での誤りを減らしつつ成功率を維持する手法を提案した。
原題: WA-SpecDec: World-Aware Speculative Decoding for Vision-Language-Action Models / Zikang Wen, Yuning Zhang, Dong Yuan
日本語で読む → - 論文VLAロボティクス
高速かつ正確:環境認識型モデル選択による適応的VLA推論フレームワーク
大規模な熟考システムと軽量な反応システムを環境に応じて切り替える適応的VLA推論フレームワークを提案し、タスク成功率と推論速度のバランスを実現した。
原題: Fast and Accurate: An Adaptive VLA Inference Framework through Environment-aware Model Selection / Yuewei Sun, Lang Qin, Zechuan Tian 他
日本語で読む → - 論文VLAロボティクス
視覚言語行動モデルは自己受容状態をどう使うべきか
VLAモデルにおけるロボットの自己受容状態の入力方法(テキスト、プレフィックス、直接入力など)と履歴長が性能に与える影響を、制御実験で体系的に比較し、設計原則を導出した論文。
原題: How Should Vision-Language-Action Models Use Proprioceptive State? / Yiren Zhao, Ziyang Chen, Ziyang Rao 他
日本語で読む → - 論文VLA/故障検出ロボティクス
SAFECAST: コントラストセット学習とキャリブレーションによるVLAポリシーの堅牢な故障検出
VLAポリシーの展開時分布シフトによる失敗を検出するため、コントラストセット摂動を用いて隠れ状態プローブの訓練とキャリブレーションを改善する手法を提案。実世界とシミュレーションで故障検出のROC-AUCを向上させた。
原題: SAFECAST: Robust Failure Detection for VLA Policies with Contrast-Set Training and Calibration / Harshitha Rajaprakash, Aditeya Prajapati, Rong Xue 他
日本語で読む → - 論文VLAロボティクス
遅延耐性を持つクラウド・エッジ協調型視覚言語行動モデル:創発的表現特化による実現
クラウド上の大規模VLAモデルとエッジの軽量ヘッドを組み合わせ、通信遅延があってもロボット制御を維持する手法を提案。遅延フレームと現在フレームを同じ行動目標で学習させ、クラウド表現にタスク情報を、エッジに状態補正を担わせる。
原題: Latency-Tolerant Cloud-Edge Collaborative Vision-Language-Action Models via Emergent Representational Specialization / Daojie Peng, Fulong Ma, Bingtao Wang 他
日本語で読む → - 論文VLAロボティクス
パノラマ認識型VLAによる全身遠隔操作を用いた移動操作の学習
全身遠隔操作システムとパノラマ認識型VLAポリシーを開発し、移動操作タスクの成功率を大幅に向上させた。
原題: Learning Panorama-Aware VLA for Mobile Manipulation with Whole-Body Teleoperation / Donglin Yang, Haoran Chen, Xingyu Chen 他
日本語で読む → - 論文VLAロボティクス
視覚言語行動モデルにおける位置依存の盲点の発見と緩和
視覚言語行動モデルが作業空間内の特定領域で失敗しやすい「位置盲点」を発見し、その領域のデモデータで微調整することで性能を改善する手法を提案した。
原題: Uncovering and Mitigating Positional Blind Spots in Vision-Language-Action Models / Dongdong An, Pengjie Zhao, Yihao Huang 他
日本語で読む → - 論文VLA画像認識
ルートからステップへ:視覚言語ナビゲーションにおける意味的進捗と局所実行の分離
視覚言語ナビゲーションにおいて、ルート全体の指示と局所的な行動生成を分離するフレームワークRoute2Stepを提案し、進捗追跡の誤りと実行の誤りを区別して学習する。
原題: From Routes to Steps: Separating Semantic Progress from Local Execution in Vision-and-Language Navigation / Xiangyun Huang, Xiangchen Wang, Runfeng Lin 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
運転用視覚言語行動モデルにおける計画トークンの深さ方向の探索と刈り込み
運転用VLAモデルで、計画トークンが各デコーダ層でどの程度の情報を持つかを調べ、初期層で意味情報が線形分離可能であることを示し、性能を保ちながら層を刈り込む手法を提案した。
原題: Depth-Wise Probing and Pruning of the Planning Token in a Driving Vision-Language-Action Model / Harisankar Babu, Benjamin Coors, Christopher Lang 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
SC$^{2}$-WM: 連続環境における視覚・言語ナビゲーションのための閉ループフィードバックを備えた自己修正ワールドモデル
VLN-CEタスクにおいて、内部フィードバックを用いた閉ループ意思決定を行う自己修正ワールドモデルを提案し、状態ドリフトを検出・修正してナビゲーションの堅牢性を向上させた。
原題: SC$^{2}$-WM: A Self-Correcting World Model with Closed-Loop Feedback for Vision-and-Language Navigation in Continuous Environments / Xuan Yao, Yuze Zhu, Junyu Gao 他
日本語で読む → - 論文VLAロボティクス
統一視覚運動ターゲット:物理的行動を超えたVLAの教師信号
VLAモデルの予測ターゲットを、物理的な行動だけでなく視覚的なシーン遷移情報も含む統一潜在表現に変更し、追加データやアーキテクチャ変更なしで学習効率と性能を向上させる手法を提案した。
原題: Unified Visuomotor Targets: Supervising VLAs Beyond Physical Actions / Zhenyang Feng, Unnat Jain
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/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 → - 論文自動運転/VLAロボティクス
FIRE-VLA: 自動運転における視覚言語行動モデルの失敗情報に基づく自己進化
自動運転のVLAモデルに対し、失敗した軌道サンプルを教師信号として活用する自己進化フレームワークを提案し、計画精度と失敗率を改善した。
原題: FIRE-VLA: Failure-Informed Self-Evolution for Vision-Language-Action Models in Autonomous Driving / Hao Dou
日本語で読む →
PR・アフィリエイト広告
