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/高速化ロボティクス
ActionCache: アクションキャッシュとリファインメントによる視覚言語行動モデルの学習不要高速化
フローベースの視覚言語行動モデルにおける反復的ノイズ除去の計算ボトルネックを、過去の中間アクションを再利用する外部キャッシュで解消し、推論遅延を大幅に削減する手法を提案した。
原題: ActionCache: Training-Free Acceleration for Vision-Language-Action Models with Action Caching and Refinement / Ryuji Oi, Hikari Otsuka, Kosuke Matsushima 他
日本語で読む → - 論文VLAロボティクス
Enfold: 世界モデルの想像力を予測表現に折り畳み、超効率的な身体制御を実現
生成モデルが未来を構築する過程で得られる中間計算を、現在の視覚と言語指示のみから予測される表現に転移させる手法を提案。推論時に生成器を実行せずに行動予測が可能となり、遅延を大幅削減。
原題: Enfold: Folding World Model Imagination into Predictive Representations for Ultra-Efficient Embodied Control / Weili Zeng, Yitong Xing, Fulong Liu 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 → - 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VLAロボティクス
DC-WAM: 動的焦点型視覚監視と推論によるワールド・アクションモデル
ロボットの行動選択に重要な視覚ダイナミクスに焦点を当て、RGBビデオ予測の監視と推論を再設計したワールド・アクションモデルを提案した。
原題: DC-WAM: Dynamic-Centric Visual Supervision and Reasoning for World-Action Models / Haoyuan Ji, Lingxiang Fan, Shang Su 他
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/操作/sim2realロボティクス
実世界からシミュレーションへ、そして再び実世界へ:AMD ROCmベースの視覚言語行動操作パイプライン
AMDのROCmソフトウェアスタックのみを用いて、視覚言語行動(VLA)モデルの訓練から実機のFrankaアームへの展開までを一貫して行うパイプラインを構築し、CUDA非依存で物理AI操作が可能であることを示した。
原題: Real2Sim2Real for Vision-Language-Action Manipulation: An AMD ROCm-Based Pipeline / Qing Yang, Xun Wang, Ziguan Wang 他
日本語で読む → - 論文触覚/VLA/操作ロボティクス
予期せぬ感覚を捉える:残差触覚表現によるResTacVLAの接触豊富な操作
視覚言語行動モデルに触覚を統合する際、視覚特徴が触覚を覆い隠す問題を解決するため、視覚予測と実際の触覚の差を残差表現として用い、視覚的に予測できない重要な接触イベントを捉えるResTacVLAを提案した。
原題: Feeling the Unexpected: ResTacVLA for Contact-Rich Manipulation via Residual Tactile Representation / Pengwei Zhang, Bin Xie, Xinpan Meng 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ロボティクス
CAC-VLA: 視覚言語行動モデルのための文脈ゲート型行動条件付け
VLAモデル内に軽量な潜在行動インターフェースを導入し、文脈ゲートで行動エキスパートへの影響を調整することで、ロボット操作の成功率を向上させた。
原題: CAC-VLA: Context-Gated Action Conditioning for Vision-Language-Action Models / Yifu Xiong, Wenhao Yu, Jiaxuan Lin 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
言葉は長く語る:言語によるロボットポリシー合成のガイド
この論文では、ロボットのポリシー獲得を対話的なプログラム合成タスクとして扱うフレームワーク「ARCHITECT」を提案し、人間の自然言語による修正をコードに反映し、再利用可能なスキルライブラリを構築することで、長期的なタスクでの性能向上と人間の介入削減を実現しています。
原題: A Few Words Go a Long Way: Language Guided Robot Policy Synthesis / Daphne Chen, Archit Ritesh Jain, Eric Goossen 他
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/触覚/操作ロボティクス
TACO: 触覚を考慮した世界モデルによるスケーラブルなVLAポストトレーニングの自己修正
接触を伴う操作タスクで失敗するVLAモデルに対し、触覚を考慮した世界モデルを用いて失敗状態を認識し、修正動作を想像・ラベル付けすることで、人間の介入なしにポリシーを改善するフレームワークを提案した。
原題: TACO: TActile World Model as a Self-COrrector forScalable VLA Post-Training / Shengbang Liu, Yueru Jia, Yuyang Yan 他
日本語で読む → - 論文VLAロボティクス
具現化GPT-5.1:世界モデルの証拠か?
身体性やシミュレーション訓練を受けていない大規模マルチモーダルモデルGPT-5.1が、物理ロボットの高レベル制御としてナビゲーションや物体操作を実行できるかを探る探索的研究。
原題: Embodied GPT-5.1: Evidence of a World Model? / Roberto Spinelli, Thiago C. Martins
日本語で読む → - 論文VLAロボティクス
HiMe: 長期的視覚言語行動制御のための階層的具現化メモリ
長期的なタスクで苦戦するVLAモデルに対し、実行・作業記憶・計画を分離した階層メモリフレームワークを提案し、成功率を向上させた。
原題: HiMe: Hierarchical Embodied Memory for Long-Horizon Vision-Language-Action Control / Li Ji, Siyin Wang, Pengfang Qian 他
日本語で読む → - 論文VLAロボティクス
SEAM: 視覚言語行動ポリシーにおけるアクションチャンク動作の滑らかな実行
アクションチャンク方式のVLAポリシーで生じるチャンク境界の不連続を、学習不要の推論時補正で滑らかにする手法を提案した。
原題: SEAM: Smooth Execution of Action-Chunked Motion for Vision-Language-Action Policies / Dijia Zhan, Xuemiao Xu, Jinyi 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
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ロボティクス
RL^2-VLA: テスト時スケーリングによる適応的RL潜在構成ステアリングと視覚言語行動モデル
視覚言語行動モデルの性能低下を改善するため、オフラインRLで学習した軽量ポリシーをVLAの潜在表現に基づいて構成し、失敗が予測される時のみ介入する適応的推論時ステアリング手法を提案した。
原題: RL$^2$-VLA: Adaptive RL Latent Compositional Steering with Test-Time Scaling for Vision-Language-Action Models / Derek Ming Siang Tan, Shailesh Shailesh, Srikrishna Iyer 他
日本語で読む → - 論文VLA/ヒューマノイドロボティクス
ラボから店舗へのギャップを埋める:小売ヒューマノイド向けデータ効率的なポストトレーニングと経験駆動学習VLAフレームワーク
スーパーマーケットの棚補充タスクにおいて、データ効率的なポストトレーニングと経験駆動の学習を組み合わせたVLAフレームワークを提案し、単一GPUで実世界運用可能な性能を達成した。
原題: Closing the Lab-to-Store Gap: A Data-Efficient Post-Training and Experience-Driven Learning VLA Framework for Retail Humanoids / Roger Sala Sisó, Tiago Silvério, Jakob Sand 他
日本語で読む → - 論文VLA/セキュリティロボティクス
TrustVLA:メカニズムに基づく推論時防御による視覚言語行動モデルのバックドア対策
視覚言語行動(VLA)モデルに対するバックドア攻撃を、内部メカニズムの分析に基づいて推論時に検出・防御する手法を提案した。
原題: TrustVLA: Mechanism-Guided Inference-Time Defense Against Vision-Language-Action Backdoors / Pinhan Fu, Xianda Guo, Xuetao Li 他
日本語で読む → - 論文VLAロボティクス
Bridge-WA: ロボット行動のための世界の変化箇所と変化方法の予測
ロボット操作のための軽量な世界行動モデルを提案し、将来の変化を教師モデルから蒸留した3つの事前知識で行動生成を条件付け、外乱に強い汎化を実現した。
原題: Bridge-WA: Predicting Where and How the World Changes for Robotic Action / Yongjie Bai, Hanting Wang, Mingtong Dai 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
再帰補正・周波数一貫性・対比的フローマッチングによる高忠実度ワンステップ生成型視覚運動ポリシー
拡散モデルやフローマッチングによる生成型ロボットポリシーの多段サンプリングによる推論遅延を解消するため、再帰補正、周波数一貫性、対比的フローマッチングを組み合わせた高忠実度のワンステップ生成フレームワークを提案した。
原題: High-Fidelity One-Step Generative Visuomotor Policy via Recursive Correction, Frequency Consistency, and Contrastive Flow Matching / Yuran Chen, Xinye Cai, Zhonglin Gong 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/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
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 →
PR・アフィリエイト広告
