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: 2026/7/10 / 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
ビデオ生成モデルは汎用視覚学習器である
大規模テキストからビデオへの生成を視覚の事前学習パラダイムとして用い、テキスト指示で様々な視覚タスクを実行できる汎用モデルGenCeptionを提案した。
原題: Video Generation Models are General-Purpose Vision Learners / Letian Wang, Chuhan Zhang, Rishabh Kabra 他
日本語で読む → - 論文VLA画像認識
自己中心視点のビデオ言語モデルは手と物体の両方の手がかりを捉えているか?
手と物体の相互作用認識において、既存のビデオ言語モデルが手や物体の見た目や動きではなく環境の相関に頼る問題を指摘し、手と物体のマスク学習と動的デコーダを導入して両方の手がかりを活用する手法を提案した。
原題: Do Egocentric Video-Language Models Capture Both Hand- and Object-Centric Cues? / Masatoshi Tateno, Alexandros Stergiou, Risa Shinoda 他
日本語で読む → - 論文VLA画像認識
LEEVLA: 潜在環境進化における重要情報の認識による視覚言語行動モデル
視覚言語行動モデルが動的環境でタスクに重要な視覚情報を強調し、潜在世界表現の構造的進化を保つための新しいアーキテクチャを提案。ドリフト誘導型動的優先化と構造的特徴フロー生成により、タスク認識の「どこで・どのように」学習を実現し、ベンチマークで優れた性能を示した。
原題: LEEVLA: Seeing What Matters in Latent Environment Evolution for Vision-Language-Action / Qi Lyu, Baicheng Liu, Xudong Wang 他
日本語で読む → - 論文VLA画像認識
具身知能のためのMixture-of-Expertsビデオ事前学習のスケーリング
ロボット制御に特化したビデオ生成モデルLingBot-Videoを提案。MoEアーキテクチャとロボット向けデータ、物理合理性を評価する報酬系で、デジタル生成と物理動作の橋渡しを目指す。
原題: Scaling Mixture-of-Experts Video Pretraining for Embodied Intelligence / Shuailei Ma, Jiaqi Liao, Xinyang Wang 他
日本語で読む → - 論文VLA機械学習
検証済みコード世界モデルによるワールドタイム計算
ドメインのダイナミクスをコードとして記述し、多数の検証可能な世界モデルから生成した軌道データでLLMを微調整することで、未学習の世界への汎化性能を大幅に向上させる手法を提案。
原題: World-Time Compute with Verified Code World Models / James Schwoebel, Ingrida Semenec, Jenia Rousseva 他
日本語で読む → - 論文VLA/強化学習機械学習
大規模視覚言語行動モデルにおける効率的かつ汎用的な強化学習のためのオフライン教師信号の活用
オフライン教師信号を強化学習に組み込むことで、OOD性能を保ちつつ学習効率を約2倍に向上させるハイブリッド手法を提案・評価した。
原題: Leveraging Offline Supervision for Efficient and Generalizable Reinforcement Learning in Large-Scale Vision-Language-Action Models / Dmitriy Poyarkov, Aleksei Staroverov, Aleksandr I. Panov
日本語で読む → - 論文VLA画像認識
CanvasAgent: 視覚ツールのオーケストレーションによる複雑な画像生成・編集の実現
複雑な画像生成・編集を、複数の視覚ツールを順次呼び出すマルチモーダルエージェントで実現する。大規模データセットと強化学習でツール選択を学習する。
原題: CanvasAgent: Enabling Complex Image Creation and Editing via Visual Tool Orchestration / Hairui Zhu, Yiying Yang, Tengjin Weng 他
日本語で読む → - 論文VLA/強化学習AI
VLA Grounder: ブラックボックスVLAモデルのための言語条件付け空間最適化
凍結されたVLAモデルの動作を改善するため、人間の指示をVLAに適したコマンドへ変換する言語条件付け空間ポリシーを強化学習で最適化する手法を提案。
原題: VLA Grounder: Language-Conditioning Space Optimization for Black-Box VLA Models / Damir Shodiev, Aleksei Staroverov, Nikita Kachaev 他
日本語で読む → - 論文VLA機械学習
DynaVieW: スキーマ誘導型ワールドモデリングによる階層的視覚ダイナミクスの理解
マルチモーダルLLMが動画や複数画像の時間的変化を体系的にモデル化できない問題に対し、動的スキーマに基づくワールドモデルDynaVieWを提案。状態遷移系列を学習し、視覚ダイナミクスの予測とシミュレーションを実現する。
原題: DynaVieW: Schema-Guided World Modeling for Understanding Hierarchical Visual Dynamics / Silin Gao, Hao Zhao, Zeming Chen 他
日本語で読む → - 論文VLA画像認識
GuideMe: ストリーミング動画におけるマルチドメインタスクガイダンスと介入
マルチモーダル大規模言語モデルがリアルタイムの手順コーチとして機能できるかを評価するため、多領域のストリーミング動画ベンチマークGuideMeを構築し、既存モデルの性能を分析した。
原題: GuideMe: Multi-Domain Task Guidance and Intervention in Streaming Video / Fang Liu, Jinpeng Chen, Ke Xu 他
日本語で読む → - 論文VLAWモデル画像認識
WorldBagel:視覚・言語・行動・世界モデルの統合の力
統合型マルチモーダルモデルを用いて、ロボット操作タスクにおける世界モデルの性能を向上させる新しいフレームワークを提案した。
原題: WorldBagel: Uncovering the Power of Unified Multimodal Models for Vision-Language-Action-World Modeling / Zelin Zhao, Min Shi, Bo Yuan 他
日本語で読む → - 論文VLAAI
経路レベルの後知恵指示による視覚言語ナビゲーションの意味的探索
視覚言語ナビゲーションエージェントの訓練において、探索軌道と指示の意味的ミスマッチを解決するため、後知恵推論を用いて指示を実際の探索経路に合わせるPhi-Navを提案した。
原題: Path-level Hindsight Instructions for Semantic Exploration in Vision-Language Navigation / Sung June Kim, Sangpil Kim, Honglak Lee
日本語で読む → - 論文VLAAI
Action QFormer: 行動監視下での構造化表現形成による視覚言語行動モデルの性能向上
視覚言語行動モデルにおいて、行動監視が継承したマルチモーダル表現を形成する役割を分析し、クエリベースのインターフェースを導入して行動に適した表現を再構成することで、ゼロショットsim-to-realナビゲーションの成功率を大幅に向上させた。
原題: Action QFormer: Structured Representation Shaping under Action Supervision in Vision-Language-Action Models / Yufeng Ji, Wenhao Tang, Haoyi Niu 他
日本語で読む → - 論文VLA/操作ロボティクス
ハーネスVLA:メモリ誘導エージェントによる凍結VLAの信頼性ある操作プリミティブへの変換
凍結したVLAモデルを再試行可能な接触豊富なプリミティブとして活用し、解析的プリミティブと組み合わせることで、微調整なしに分布外の操作タスクでの成功率を大幅に向上させるフレームワークを提案した。
原題: Harness VLA: Steering Frozen VLAs into Reliable Manipulation Primitives via Memory-Guided Agents / Yixian Zhang, Huanming Zhang, Feng Gao 他
日本語で読む → - 論文VLAロボティクス
RoboTALES: タスク整合的なシミュレート未来による推論誘導型ロボットポリシーの学習
事前学習済みビデオ生成モデルをロボット制御に活用する際、想像した未来がタスク意図からずれたり、行動条件付けが不確実になる問題を解決するため、階層的LLMプランナーとVLM批評家を用いてタスク整合的な未来を生成し、ロボットポリシーを学習する単一フレームワークを提案した。
原題: RoboTALES: Learning Reasoning-Guided Robot Policies via Task-Aligned Simulated Futures / Hanan Gani, Tejal Kulkarni, Madhoolika Chodavarapu 他
日本語で読む → - 論文器用操作/VLAロボティクス
EgoSteer: 自己中心視点ビデオからの操縦可能な器用操作を実現するフルスタックシステム
自己中心視点の人間ビデオから大規模な事前学習データを構築し、言語指示に従う器用なロボット操作ポリシーを学習するフルスタックシステムを提案。実ロボットへの適応も効率的で、多様なタスクで高い成功率を達成した。
原題: EgoSteer: A Full-Stack System Towards Steerable Dexterous Manipulation from Egocentric Videos / Yifan Zhong, Zhang Chen, Tianrui Guan 他
日本語で読む → - 論文VLAロボティクス
汎用ロボット制御のためのネイティブなビデオ・アクション事前学習
ロボット制御に特化したビデオ・アクション基盤モデルLingBot-VA 2.0を提案。意味的視覚・行動トークナイザ、因果事前学習、スパースMoE、非同期推論により、複雑な操作タスクでの数ショット汎化を実現した。
原題: Native Video-Action Pretraining for Generalizable Robot Control / Qihang Zhang, Lin Li, Luyao Zhang 他
日本語で読む → - 論文VLA画像認識
VLAFlow: 共学習と未来潜在整合による視覚-言語-行動モデルの統合学習フレームワーク
ロボット操作のための視覚-言語-行動モデル(VLA)の学習手法を統一フレームワークで比較し、言語教師あり学習と未来潜在整合を組み合わせることで、異種データに対する転移性能が最も安定することを示した論文。
原題: VLAFlow: A Unified Training Framework for Vision-Language-Action Models via Co-training and Future Latent Alignment / Guoyang Xia, Fengfa Li, Hongjin Ji 他
日本語で読む → - 論文VLA/行動生成ロボティクス
VLA-Corrector: 適応アクションホライズンのための軽量検出・修正推論
VLA-Correctorは、アクションチャンク方式のVLAポリシーに軽量な視覚モニタとオンライン勾配ガイダンスを追加し、実行中のずれを検出して修正再計画を行うことで、閉ループ応答性を向上させる。
原題: VLA-Corrector: Lightweight Detect-and-Correct Inference for Adaptive Action Horizon / Yi Pan, Miao Pan, Qi Lu 他
日本語で読む → - 論文VLA/データ拡張ロボティクス
VLAモデルのための行動合成訓練による行動範囲の拡大
既存のデモデータから新しい物理的に有効なデモを自動合成し、VLAモデルの過学習を防いで行動の汎化を向上させるオフライン拡張手法を提案した。
原題: Unleashing More Actions via Action Compositional Training for VLA Models / Kai Peng, Jie Lu, Xiaojiang Peng
日本語で読む → - 論文VLAロボティクス
予測的で整合性のあるスケーラブルなロボット学習に向けて
潜在世界モデルと行動生成を統合したLumo-2を提案し、潜在空間での予測的推論とモダリティ整合により、ロボット学習の性能と汎化を向上させる。
原題: Towards Predictive, Aligned, and Scalable Robot Learning / Peijun Tang, Shangjin Xie, Baifu Huang 他
日本語で読む → - 論文VLA/計画ロボティクス
STeP: 信号時相論理による視覚言語モデルを用いた行動生成の精密仕様化
視覚言語行動モデルによる指示分解を、信号時相論理(STL)で精密な制約に変換し、実行時検証・監視・再計画を行う階層的フレームワークを提案した。
原題: STeP: Signal Temporal Logic for Precise Specifications for Action Generation with Vision Language Models / Kasra Torshizi, Anukriti Singh, Sidharth Mathur 他
日本語で読む → - 論文VLAロボティクス
ガイド付きアクションフロー:フローマッチング型視覚言語行動ポリシーのためのQガイド推論
事前学習済みのフローマッチング型VLAポリシーを凍結したまま、学習済みのアクション批評家を用いて推論時にサンプリングをガイドし、ロボット操作の成功率を向上させる手法を提案した。
原題: Guided Action Flow: Q-Guided Inference for Flow-Matching Vision-Language-Action Policies / Liuhaichen Yang, Zhuang Jiang, Chenchao Sheng 他
日本語で読む → - 論文VLA/触覚/操作ロボティクス
τ: 未来の視覚的監督から学習する触覚拡張型視覚言語行動モデル
接触を伴う操作タスク向けに、将来の視覚情報を教師信号として触覚表現を学習し、事前学習済みVLAモデルに統合するフレームワークを提案。専用データセットTacAuraも導入し、未見物体やシーンへの汎化性能を向上させた。
原題: {\tau}: Learning Touch-Augmented Vision-Language-Action Models from Future Visual Supervision / Ning Cheng, Jinan Xu, Wanlin Li 他
日本語で読む → - 論文VLA/オフラインRLロボティクス
RedFlow: 失敗をアクションレベルの修正へと変換するフローマッチングVLAポリシー
フローマッチングVLAポリシー向けに、失敗データをアクションレベルの修正信号に変換するオフライン強化学習フレームワークRedFlowを提案。実世界成功率を56.7%から74.7%に向上させた。
原題: RedFlow: Redirect Failure into Action-Level Corrections for Flow-matching VLA Policy / Zhengyang Yan, Junhao Li, Fangqi Zhu 他
日本語で読む → - 論文VLAロボティクス
ドメイン算術:環境変化下でのワンショットVLA適応
環境変化(カメラ位置やロボットの種類の変更)で性能が落ちるVLAモデルを、タスクごとに1つのデモのみで適応させる手法DARTを提案。重みベクトルの算術演算と特異成分の部分空間整列により、ドメイン固有情報を抽出して適応する。
原題: Domain Arithmetic: One-Shot VLA Adaptation under Environmental Shifts / Taewook Kang, Taeheon Kim, Donghyun Shin 他
日本語で読む → - 論文VLA/移動操作画像認識
ABot-M0.5: 移動と操作を統合した世界行動モデル
移動操作ロボットのための世界行動モデルを提案し、時間粒度・行動空間・学習と推論の整合性を揃えることで、長期的なタスク実行の精度とロバスト性を向上させた。
原題: ABot-M0.5: Unified Mobility-and-Manipulation World Action Model / Ronghan Chen, Yandan Yang, Zuojin Tang 他
日本語で読む → - 論文モバイル操作/VLA/実行時検証ロボティクス
CheckVLA: アクション条件付きワールドモデルによる実行時検証で長期的モバイル操作を実現
長期的なモバイル操作において、VLAポリシーが開ループで行動チャンクを実行する際の誤差蓄積問題に対し、別途訓練したアクション条件付きワールドモデルで実行を検証し、逸脱時に介入する手法を提案した。シミュレーションで成功率と再現率が向上した。
原題: CheckVLA: Execution-Time Verification with Action-Conditioned World Model for Long-Horizon Mobile Manipulation / Yushan Liu, Peibo Sun, Xintao Chao 他
日本語で読む → - 論文VLAロボティクス
身体性セマンティクス:身体的操作軌跡における視覚言語モデルのための空間シーングラフデータセットとベンチマーク
ロボット操作のための視覚言語行動モデルにおける空間的接地の限界に対処するため、空間シーングラフデータセットとベンチマークを導入し、物体間の空間関係の評価と、シーングラフをVLAポリシーに注入することで下流制御を改善することを示した。
原題: EmbodimentSemantic: A Spatial Scene-Graph Dataset and Benchmark for Vision-Language Models on Embodied Manipulation Trajectories / Hassan Jaber, Refinath S N, Luca Cagliero 他
日本語で読む → - 論文VLA/高速化ロボティクス
効率的な視覚言語行動推論のための時間的冗長性の削減
VLAモデルの推論遅延を減らすため、視覚エンコーディングと拡散サンプリングの時間的冗長性を削減するシステムレベルの高速化手法を提案。動的領域のみのトークン更新と2ステップの拡散サンプリングにより、性能を保ちつつ2倍以上の高速化を達成。
原題: Reducing Temporal Redundancy for Efficient Vision-Language-Action Inference / Yuzhou Wu, Yuxin Zheng, Muchun Niu 他
日本語で読む →
PR・アフィリエイト広告
