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: 2026/7/1 / 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
SAM3Dガイドによる物体中心表現アライメントを用いた視覚言語行動モデル
VLAモデルにSAM3Dを教師として物体中心の3D表現を学習させ、推論時はRGBのみで高精度な操作を実現する手法を提案。
原題: SAM3D-Guided Object-Centric Representation Alignment for Vision-Language-Action Models / Zonghe Liu, Shanyuan Jie, Xiaoquan Sun 他
日本語で読む → - 論文VLA画像認識
TurboVLA: RTX 4090上で32Hz・1GB未満のVRAMで動作するリアルタイム視覚言語行動モデル
従来のLLM中心のVLAアーキテクチャを、視覚と言語を独立にエンコードし軽量な双方向相互作用で直接行動にマッピングする方式に再設計し、計算コストとメモリ使用量を大幅に削減した。LIBEROで97.7%の成功率を達成し、大規模モデルに匹敵する性能を小規模で実現した。
原題: TurboVLA: Real-Time Vision-Language-Action Model at 32 Hz on an RTX 4090 with <1 GB VRAM / Hengyi Xie, Chenfei Yao, Xianjin Wu 他
日本語で読む → - 論文VLAロボティクス
CoRE-VLA:条件付きエキスパートルーティングによるスケーラブルで堅牢な視覚言語行動モデリング
センサ欠落や多様な構成に頑健なVLAモデルを提案し、センサ可用性とタスク意図に基づく条件付きスパース計算でエキスパートをルーティングする。
原題: CoRE-VLA: Towards Scalable and Robust Vision-Language-Action Modeling via Conditional Routing of Experts / Haozhe Zhang, Sixian Li, Yifei Zhang 他
日本語で読む → - 論文VLAロボティクス
跳ぶ前に見よ:凍結VLAモデルのためのツリー探索を行動評価へ蒸留する
凍結したVision-Language-Actionモデルの出力分布から有望な行動を選ぶため、シミュレーションでのモンテカルロ木探索で得た知識を軽量なQ値モデルに蒸留し、不確実性を考慮した評価で行動を選択するフレームワークSVAを提案した。
原題: Look Before You Leap: Distilling Tree Search into Action Evaluation for Frozen VLA Models / Xinyi Xie, Zican Hu, Zhanyu Liu 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言葉通りに意味しているか?身体化推論における忠実性の役割について
視覚言語行動モデルの推論が実際の意思決定を反映しているか(忠実性)を検証し、忠実性を高めるための学習手法を提案した論文。
原題: Do Vision-Language-Action Models Mean What They Say? On the Role of Faithfulness in Embodied Reasoning / Matthew Foutter, Matteo Cercola, Lena Wild 他
日本語で読む → - 論文VLAロボティクス
DLAM: 時間的制約を伴う分布型潜在アクション
本論文は、ロボットの行動データ不足を補うため、行動ラベルなしのビデオから潜在アクションを学習する新しいモデルDLAMを提案する。各遷移を対角ガウス分布として表現し、時間的整合性を保ちながら再構成誤差の伝播を抑えることで、ロボットポリシー学習の性能を向上させる。
原題: DLAM: Distributional Latent Actions with Temporal Constraints / Zuojin Tang, Feifan Luo, Haoyun Liu 他
日本語で読む → - 論文自動運転/VLAロボティクス
AnchorVLA: 離散的な意思決定と連続的な軌道を橋渡しする視覚言語行動計画
自動運転の計画において、高レベルの意思決定を表すアンカートークンと、その残差空間での連続軌道生成を組み合わせたVLA計画フレームワークを提案した。
原題: AnchorVLA: Bridging Discrete Decisions and Continuous Trajectories for Vision-Language-Action Planning / Qi Liu, Yabei Li, Hongsong Wang 他
日本語で読む → - 論文VLA/エッジ推論ロボティクス
Jetson-PI: 先読み整合非同期推論による搭載リアルタイムロボット制御の実現
低消費電力の搭載デバイス上でVLAモデルを高速に動作させるため、非同期推論の課題を解決する先読み整合補正と信頼度ベースのスケジューリングを提案した論文。
原題: Jetson-PI: Towards Onboard Real-Time Robot Control via Foresight-Aligned Asynchronous Inference / Zebin Yang, Qi Wang, Yunhe Wang 他
日本語で読む → - 論文VLAロボティクス
Mixture-of-Experts VLAにおける創発的な構成スキル
専門家デモからロボットポリシーをエンドツーエンドで学習する際、Mixture-of-Expertsアーキテクチャを用いることで、タスク分解や階層構造を事前に定義せずとも、再利用可能で解釈可能なプリミティブが創発的に獲得されることを示した論文。
原題: Emergent Compositional Skills in Mixture-of-Experts VLAs / Shlok Shah, Rhiaan Jhaveri, Tharun Kumar Tiruppali Kalidoss 他
日本語で読む → - 論文VLA/ロバスト性/物理攻撃ロボティクス
照明、カメラ、誤動作:照明ロバスト性がVLAモデルを色盲にするとき
VLAモデルが照明変化に弱いことを突いた物理的スポットライト攻撃FLAREを提案し、さらに色情報を守る対抗訓練法ChromaGuardで攻撃下でも高い成功率を達成した。
原題: Lights, Camera, Malfunction: When Illumination Robustness Leaves VLA Models Blind to Color / Marino Watanabe, Takami Sato, Kentaro Yoshioka
日本語で読む → - 論文VLAロボティクス
VLAファインチューニングにおけるステージ情報インターフェースの実証研究
長期的な操作タスクをステージに分割し、その情報をVLAモデルに与える方法(テキストか数値インデックスか)を比較し、数値インデックスが継続学習で有効であることを示した。
原題: An Empirical Study on Stage-Information Interfaces for VLA Fine-Tuning / Yingwei Ji
日本語で読む → - 論文VLA画像認識
時間的比率によるビデオ行動汎化ギャップの理解と緩和
ビデオ基盤モデルをロボット行動データで微調整すると構成的一般化能力が失われる問題を分析し、注意機構に基づく指標「時間的比率」を導入してその原因を解明し、推論時に適応的にガイドする手法を提案した。
原題: Understanding and Mitigating the Video-Action Generalization Gap via Temporal Ratio / Utkarsh A. Mishra, Yongxin Chen, Danfei Xu 他
日本語で読む → - 論文VLAロボティクス
領域到達からインスタンスレベルの接地へ:視覚と言語によるナビゲーションの改善
VLNエージェントの最終位置の精度と対象物の可視性を評価する指標を導入し、最終段階のナビゲーションを改善するモジュールREALMを提案した。
原題: From Region Arrival to Instance-Level Grounding in Vision-and-Language Navigation / Xiangyu Shi, Ruoxi Yang, Wei Tao 他
日本語で読む → - 論文VLA/UAV追跡ロボティクス
CosFly-VLA: UAV追跡のための空間認識型視覚言語行動モデル
建物や障害物による遮蔽中でもターゲットを追跡できる、空間認識を備えた視覚言語行動(VLA)モデルを提案。大規模データでの事前学習とカリキュラム学習、強化学習により、遮蔽時の追跡性能を向上させる。
原題: CosFly-VLA: A Spatially Aware Vision-Language-Action Model for UAV Tracking / Ruilong Ren, Songsheng Cheng, Yunpeng Zhou 他
日本語で読む → - 論文VLAロボティクス
Pelican-VLA 0.5: 行動前に注意を向けることで汎化を向上
視覚言語理解、未来フレーム生成、行動予測を統合したVLAモデルを提案し、注意レベルの汎化を達成。ボトルネックトークンの導入により、未見のシーンやロボットでも操作対象に注意が向くことを示した。
原題: Pelican-VLA 0.5: Attending Before Acting Benefits Generalization / Zeyuan Ding, Wenhai Liu, Yang Xu 他
日本語で読む → - 論文VLAロボティクス
小型VLAモデルに「どこを見るか」と「どう動くか」を教える
小型の視覚言語行動モデルに、空間的接地と行動生成の能力を効率的に教えるフレームワークXS-VLAを提案。蒸留とフローマッチングにより、実時間制御に適した小型モデルの性能を大幅に向上させた。
原題: Teaching Tiny VLA Models Where to Look and How to Move / Iok Tong Lei, Ying Jie Yap, Wei Huang 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VLAAI
RxBrain:言語と視覚の推論・想像を統合した身体化認知基盤モデル
身体化認知のための基盤モデルRxBrainを提案。言語による計画構造と視覚による世界状態予測を統合し、単一の計画シーケンスで表現する。
原題: RxBrain: Embodied Cognition Foundation Model with Joint Language-Visual Reasoning and Imagination / Haotian Liang, Mingkang Chen, Yufei Huang 他
日本語で読む → - 論文VLAロボティクス
InternVLA-A1.5: 理解・潜在予測・行動の統合による構成的汎化
ロボット操作のための統一モデルで、事前学習済みVLMの意味理解とビデオ生成モデルの動的予測を活用し、将来予測を潜在コードのクエリ問題として再構成することで、実時間制御を維持しつつ構成的汎化を実現した。
原題: InternVLA-A1.5: Unifying Understanding, Latent Foresight, and Action for Compositional Generalization / Haoxiang Ma, Junhao Cai, Xiaoxu Xu 他
日本語で読む → - 論文VLA/航法ロボティクス
Exp2VLA: 専門家デモからのドローン航法のための視覚言語行動モデル
強化学習や遠隔操作などの専門家の行動を蒸留して、言語指示に従うドローン航法用のコンパクトなVLAモデルを微調整するパイプラインを提案した。
原題: Exp2VLA: Enabling Vision-Language-Action for Drone Navigation from Expert Demonstrations / Van Huyen Dang, Kabilesh Rajendran, Erdi Sayar 他
日本語で読む → - 論文VLA/操作ロボティクス
VistaVLA: 幾何・意味認識型3Dガウス基底VLAによるロボット操作
3Dガウスプリミティブを用いて幾何と意味を統合した3D認知表現を構築し、VLAポリシー学習のためのコンパクトな文脈トークンとして接地する新しい2段階フレームワークを提案。
原題: VistaVLA: Geometry- and Semantic-Aware 3D Gaussian-Grounded VLA for Robotic Manipulation / Mohan Liu, Zhihao Gu, Xuanyu Chen 他
日本語で読む → - 論文VLA/ロボット操作ロボティクス
RoboBRIDGE: 堅牢な実世界ロボットエージェントへのポリシー橋渡しのためのモジュラーフレームワーク
事前学習済みのVLAモデルを実世界で使えるロボットエージェントに変換するためのモジュラーフレームワークを提案。監視、知覚、計画、制御、ロボットインターフェースの5つのモジュールを統合し、失敗回復や長期実行の安定性を向上させる。
原題: RoboBRIDGE: A Modular Framework for Bridging Policies to Robust Real-World Robotic Agents / Sihyung Yoon, Minjong Yoo, Sanghyun Ahn 他
日本語で読む → - 論文VLA機械学習
WorldDiT: 世界モデルと行動生成を統合する拡散アーキテクチャ
大規模な事前学習済みVLMを使わずに、単一の拡散トランスフォーマーが行動生成と未来フレームの視覚予測を同時に行うロボットポリシーを提案し、LIBEROベンチマークでパラメータ数と成功率のトレードオフが良好であることを示した。
原題: WorldDiT: A Unified Diffusion Architecture for World and Action Modeling / Sen Wang, R. Gnana Praveen, Bidhan Roy 他
日本語で読む → - 論文VLAロボティクス
Xiaomi-Robotics-U0: 世界基盤モデルによる統合的身体性合成
ロボットの身体性を考慮した画像・動画生成を統合する380億パラメータのマルチモーダル自己回帰モデルを提案し、マルチビュー一貫性やロボットの身体制約を保ちながら、シーン生成や転移、動画生成を高品質で実現した。
原題: Xiaomi-Robotics-U0: Unified Embodied Synthesis with World Foundation Model / Xinghang Li, Jun Guo, Qiwei Li 他
日本語で読む → - 論文VLA/両腕操作ロボティクス
FurnitureVLA: 視覚言語行動モデルによる長期的両腕家具組立の学習
実規模の両腕ロボットによる家具組立を、視覚言語行動モデル(VLA)を用いて初めて体系的に研究し、進捗信号を統合したVLAを提案してシミュレーション成功率を大幅に向上させた。
原題: FurnitureVLA: Learning Long-Horizon Bimanual Furniture Assembly with Vision-Language-Action Model / Chenyang Ma, Yue Yang, Radu Corcodel 他
日本語で読む → - 論文VLAロボティクス
ACE-Brain-0.5:物理的エージェントAIのための統合具現化基盤モデル
ロボット知能を空間知覚、意思決定、身体的行動、自己監視、自己改善の5機能に統合した、単一の8Bバックボーンによる閉ループ基盤モデルを提案する。
原題: ACE-Brain-0.5: A Unified Embodied Foundational Model for Physical Agentic AI / Brain Team, Ziyang Gong, Haoming Gu 他
日本語で読む → - 論文VLAロボティクス
CLAP: 言語-動作接地による直接的なVLMからVLAへの適応
事前学習済みVLMを大規模なロボットデータで再学習せず、最小限のアーキテクチャ変更でVLAに変換する手法を提案。数値の動作系列の前に自然言語の動作記述を付与することで、VLMの言語分布を保ちつつ動作予測を可能にし、LIBEROで高い性能を達成した。
原題: CLAP: Direct VLM-to-VLA Adaptation via Language-Action Grounding / Yuri Ishitoya, Jeremy Siburian, Masashi Hamaya 他
日本語で読む → - 論文セキュリティ/VLAロボティクス
!Imperio, smolVLA:オープンソースロボティクスにおけるデータポイズニングの影響
オープンソースのロボット学習モデル(smolVLA)が、わずかな毒データを混入されるだけで、特定のトリガーワードでロボットを完全に停止させるバックドアを埋め込めることを実証した論文。
原題: !Imperio, smolVLA: The Implications of Data Poisoning on Open Source Robotics / Stefan Bühler, Mark Schutera
日本語で読む → - 論文VLAロボティクス
視覚運動ポリシー学習のための順序付きアクショントークン
ロボットの連続的なアクションを離散トークンに変換する際、高圧縮・完全復号可能・順序性を満たす新しいトークナイザーOATを提案し、複数のベンチマークで有効性を示した。
原題: Ordered Action Tokens for Visuomotor Policy Learning / Chaoqi Liu, Yue Zhao, Haonan Chen 他
日本語で読む → - 論文VLAロボティクス
WAM-TTT: テスト時に人間のプレイを見てワールドアクションモデルを操縦する
人間の動画を模倣するのではなく、自己教師あり動画予測で凍結したワールドアクションモデルに軽量な適応メモリとして吸収し、テスト時に未ラベルの人間動画だけでロボットの行動を操縦するフレームワークを提案した。
原題: WAM-TTT: Steering World-Action Models by Watching Human Play at Test Time / Yusen Feng, Bingchen Han, Jiangran Lyu 他
日本語で読む →
PR・アフィリエイト広告
