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 → - 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
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
意図と軌道の分離:世界行動モデルのための表現演繹フレームワーク
世界行動モデルにおける高レベルの状態遷移と低レベルの軌道生成の表現が絡み合う問題を解決するため、思考連鎖ガイダンスを用いた表現演繹フレームワークPILOTを提案し、複雑なロボット操作タスクでの成功率と物理的解釈性を向上させた。
原題: Decoupling Intention from Trajectory: A Representational Deduction Framework for World Action Models / Xiangkai Ma, Yue Ma, Junjie Wang 他
日本語で読む → - 論文VLA/アフォーダンス/操作学習ロボティクス
VLAff: 視覚・言語・アフォーダンスモデルによる統合的な実行可能アフォーダンスの獲得
人間のビデオからロボット操作スキルを学習するため、物体中心の実行可能アフォーダンス(視覚・把持・軌道)を抽出し、大規模言語モデルベースの統一基盤モデルVLAffを提案。実ロボットへのゼロショット適用も実証。
原題: VLAff: Vision-Language-Affordance Model for Unified Actionable Affordances / Jihoon Oh, Kento Kawaharazuka, Kei Okada
日本語で読む → - 論文VLA/移動操作ロボティクス
意味的3Dガウススプラッティングによるオープンボキャブラリ移動操作のための身体化マルチモーダル基盤付け
家庭環境でのオープンボキャブラリ物体操作を実現するため、能動的マルチビュー意味的3Dガウススプラッティングと拡散型VLAポリシーを統合した身体化マルチモーダル基盤付けフレームワークを提案し、実ロボット評価で高い成功率を示した。
原題: Embodied Multimodal Grounding for Open-Vocabulary Mobile Manipulation via Semantic 3D Gaussian Splatting / Huosen Ou, Dongni Song, Yuncong Wang 他
日本語で読む → - 論文VLAロボティクス
VANE: 将来の視覚表現予測による視覚-言語-行動モデルの信頼性の高いテスト時訓練
VLAポリシーのテスト時訓練を信頼性高く行うため、現在の文脈に基づいて適応を条件付け、実行した行動の将来の視覚的結果から学習し、将来の証拠に基づいて更新を選択的かつ可逆的に行うフレームワークを提案した。
原題: VANE: Reliable Test-Time Training for Vision-Language-Action Models via Future Visual Representation Prediction / Hongjin Ji, Guoyang Xia, Luoyang Sun 他
日本語で読む → - 論文VLA/RLポストトレーニングロボティクス
TEMPO: 視覚-言語-行動モデルのための意味-行動分離型RLポストトレーニング
VLAモデルのRLポストトレーニングにおいて、視覚-言語バックボーンを凍結し、意味投影層と行動エキスパートを異なる頻度で更新する二段階学習を提案。CALVINベンチマークと実機タスクで既存手法を上回る性能を達成した。
原題: TEMPO: Semantic-Action Decoupled RL Post-Training for Vision-Language-Action Models / Ziheng Liu, Quantao Yang
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VLAAI
Faster-WAM: 世界行動モデルに深い行動モジュールは必要か?
ビデオ世界モデルと行動予測を組み合わせたWorld Action Models (WAMs)の計算負荷を減らすため、事前学習済みビデオTransformerを表現ハブとし、軽量な出力ヘッドをドッキングする新しい設計原理DoTを提案し、単層行動ヘッドを30層ビデオバックボーンに接続したFaster-WAMを実装。低遅延で競争力のある性能と汎化を実証した。
原題: Faster-WAM: Do World Action Models Need Deep Action Modules? / Liheng Ma, Rui Heng Yang, Zhanguang Zhang 他
日本語で読む → - 論文VLAロボティクス
Mind-VLA: 指示認識型空間表現アライメントによる視覚言語行動モデル
言語指示で指定された対象物体の3D幾何に焦点を当て、VLAモデルの表現をアライメントする手法を提案。LIBEROやCALVINで高精度を達成し、実ロボットの遮蔽タスクでも大幅な性能向上を示した。
原題: Mind-VLA: Instruction-Aware Spatial Representation Alignment for Vision-Language-Action Models / Xingyu Ding, Yuzhong Zhao, Yang Wu 他
日本語で読む → - 論文VLAロボティクス
Vid2WAM: ビデオ拡散事前知識を世界行動モデルへ蒸留する
大規模ビデオ基盤モデルの拡散事前知識を、コンパクトな世界行動モデル(WAM)に蒸留するフレームワークを提案。専門家デモに依存せず、タスク条件付き未来予測と逆動力学モデルによる擬似行動を活用し、限られたデモでも新規タスクへの汎化とデータ効率を向上させる。
原題: Vid2WAM: Distilling Video Diffusion Priors into World Action Models / Chenhao Qiu, Ruixiang Wang, Runyi Zhao 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
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画像認識
EgoGenesis: オンライン固定投影メモリとAction-3D RoPEによる自己中心的世界行動モデリング
自己中心視点の操作ビデオを合成する世界行動シミュレータを提案し、生成データで実ロボットの汎化性能を向上させた。
原題: EgoGenesis: Egocentric World-Action Modeling with Online Anchored Projective Memory and Action-3D RoPE / Zexuan Yan, Yuzhou Wu, Yue Ma 他
日本語で読む → - 論文VLAAI
SpatialCLI: 空間ツールで推論し、その後ツールなしで推論する学習
視覚言語モデルに空間ツールを使った推論を教え、徐々にその能力を内部化させる3段階フレームワークを提案。ベンチマークで大幅な性能向上を実証した。
原題: SpatialCLI: Learning to Reason With Spatial Tools, Then Without Them / Yang Zhou, Zixuan Huang, Sunzhu Li 他
日本語で読む → - 論文VLA画像認識
FaithEyes: マルチエージェントによるプロセス画像検証を用いた忠実なツール使用に向けて
エージェント型視覚言語モデルがツールを不誠実に使う問題を解決するため、プロセス画像の有用性を自己判定するマルチエージェントフレームワークを提案した。
原題: FaithEyes: Towards Faithful Tool Use via Multi-Agent Process-Image Verification / Haoqing Wang, Xingrun Xing, Wei Xia 他
日本語で読む → - 論文VLAAI
フローマッチング不確実性の幾何学:コスト不要の不確実性プロキシとフローベースVLA故障検出への応用
フローマッチング生成モデルの不確実性を速度場の幾何学的性質から捉え、追加コストなしで計算できる不確実性プロキシ(denoising acceleration)を提案し、オンライン故障検出に応用した。
原題: The Geometry of Flow-Matching Uncertainty: A Cost-free Uncertainty Proxy and Its Application in Flow-based VLA Failure Detection / Ziyang Rao, Yiren Zhao, Weiyu Guo 他
日本語で読む → - 論文VLAAI
CoTinyVLA: サブ10億パラメータの視覚言語行動モデルへの連鎖思考蒸留
0.9Bパラメータの小型VLAモデルを提案し、35B教師からの階層的CoT蒸留とパラフレーズ拡張により、LIBERO-Plusベンチマークで7Bモデルを上回るロバスト性を達成した。
原題: CoTinyVLA: Chain-of-Thought Distillation for a Sub-Billion-Parameter Vision-Language-Action Model / Minhyeok Lee, Chiyoung Kim, Chanhoe Gu 他
日本語で読む → - 論文VLA/推論高速化AI
動作認識型ベクトル量子化と重心再利用による効率的なVLA推論フレームワーク
VLAモデルの推論を高速化するため、ロボットの動作状態に応じて量子化精度を動的に調整し、コードブックの重心を再利用するGEMM計算を導入したアルゴリズム・ハードウェア協調設計を提案。
原題: A Motion-Aware Vector Quantization Framework with Centroid Reuse for Efficient VLA Inference / Zhuoran Song, Haozhe Jiang, Chunyu Qi 他
日本語で読む → - 論文VLAcs.MM
CTAN: 音視覚身体性ナビゲーションのための循環時間的注意ネットワーク
音と視覚の情報を双方向の循環一貫性制約で融合し、時間的記憶機構で履歴を活用する音視覚ナビゲーション手法を提案。
原題: CTAN: Cycle-Temporal Attention Network for Embodied Audio-Visual Navigation / Teng Liu, Yinfeng Yu
日本語で読む → - 論文VLAAI
Athena-Brain技術報告:汎用知能と身体化インタラクションのための効率的なロボット脳
8B規模のLLMをロボットのオンデバイス脳として開発し、多段階のポストトレーニングにより汎用知能と身体化インタラクション能力を両立させた。
原題: Athena-Brain Technical Report: An Efficient Robot Brain for General Intelligence and Embodied Interaction / Jialian Li, Junhong Liu, Yuchen Cao 他
日本語で読む → - 論文VLAAI
言語的文脈が視覚言語モデルの視覚表現を再コード化する
視覚言語モデルにおいて、言語プロンプトが視覚表現を再コード化する仕組みを解明し、目標関連オブジェクトの参照表現と属性変調の因果的役割を実証した。
原題: Linguistic Context Recodes Visual Representations in Vision-Language Models / Brian Song, Michael A. Lepori, Ellie Pavlick
日本語で読む → - 論文VLAAI
PGN: 盤古マルチモーダル基盤モデルに基づく視覚言語ナビゲーションシステムの設計と実装
盤古マルチモーダル基盤モデルを用いたオフラインの視覚言語ナビゲーション行動予測システムを構築し、2段階の学習と8つのNPUでの実装により、専門家軌跡に対する行動一致率62.29%を達成した。
原題: PGN: Design and Implementation of a Vision-Language Navigation System Based on Pangu Multimodal Foundation Model / Li Xian, Mingxi Li, Yizheng Wang 他
日本語で読む → - 論文VLAcs.DC
JoyNexus: VLAモデルのためのサービス指向マルチテナント後訓練
VLAモデルの後訓練を効率化するため、マルチテナント対応の統合サービスを提案。訓練・推論・環境サービスを分離し、APIで提供することで、リソース利用の効率化とコスト削減を実現。
原題: JoyNexus: Service-Oriented Multi-Tenant Post-Training for VLA Models / Haoran Sun, Wentao Zhang, Junyang Hua 他
日本語で読む → - 論文VLAAI
UESF-Bench: 統合型身体性探索・追従のためのベンチマークと分析
言語で指示された人物を探索し、その後追従する統合的なタスクのベンチマークを新たに構築し、探索と追従を切り替えるVLAフレームワークを提案・評価した論文。
原題: UESF-Bench: Benchmarking and Probing for Unified Embodied Seeking and Following / Kun Yu, Jianhua Yang, Yixiang Chen 他
日本語で読む → - 論文VLA画像認識
Hy-Embodied-VLM-1.0:効率的な物理世界エージェント
物理世界で動作する組み込みエージェント向けの基盤モデルを提案し、行動中心の能力分類に基づくデータパイプラインと効率的なMoEアーキテクチャにより、38ベンチマークで優れた性能を達成した。
原題: Hy-Embodied-VLM-1.0: Efficient Physical-World Agents / Ziyi Wang, Xumin Yu, Yongming Rao 他
日本語で読む → - 論文VLA画像認識
複雑な組立動作理解のための構成文脈ファインチューニングによる視覚言語モデル
組立動作を動詞・対象・工具の要素に分解し、視覚言語モデルを要素ごとにファインチューニングして、ビデオから組立動作を高精度に認識する手法を提案した。
原題: Compositional Context Fine-Tuning Vision-Language Model for Complex Assembly Action Understanding from Videos / Hao Zheng, Jinyi Huang, Tiantian Zheng 他
日本語で読む → - 論文VLA/強化学習機械学習
少ないデータから多くを学ぶ:後知恵からの強化学習
VLAモデルの強化学習後訓練において、失敗したロールアウトを実際に達成したタスクに再ラベル付けする「後知恵からの学習」を提案し、サンプル効率を5倍向上させた。
原題: Learning More from Less: Reinforcement Learning from Hindsight / Iris Xu, Sunshine Jiang, John Marangola 他
日本語で読む →
PR・アフィリエイト広告
