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 →- 論文安全性/VLAロボティクス
制約付きフローマッチングによる視覚言語行動モデルのための神経記号的安全性ガイダンス
フローマッチングに基づくVLAモデルに対し、予測軌道のノイズ除去過程で安全制約を最適化問題として適用し、衝突を予測的に回避する手法を提案した。
原題: Neuro-Symbolic Safety Guidance for Vision-Language-Action Models via Constrained Flow Matching / William English, Hao Zheng, Rickard Ewetz
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評価画像認識
HumanCLAW: 視覚言語モデルは身体を通して行動できるか?
視覚言語モデル(VLM)の身体を使った行動能力を評価するフレームワークを提案し、41の屋内シーンで1,218エピソードのベンチマークを構築。最先端のVLMでも成功率は最大16.8%にとどまり、物体認識ではなく身体の自己認識が欠如していることが課題と判明。
原題: HumanCLAW: Can Vision-Language Models Act Through a Body? / Li Siyao, Jiawei Gu, Shuai Liu 他
日本語で読む → - 論文VLAロボティクス
表現アンカリングと言語-行動整合による汎化可能なVLAファインチューニング
事前学習済みVLMをロボットデモでファインチューニングする際に生じる表現劣化と言語-行動の不整合を防ぐため、凍結VLMからの層別蒸留と行動を離散方向ラベル化して同一観測で言語・行動を学習する手法を提案し、実機とシミュレーションで性能向上を確認した。
原題: Generalizable VLA Finetuning via Representation Anchoring and Language-Action Alignment / Dwip Dalal, Shivansh Patel, Chahit Jain 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
Reflex: ストリーミング推論によるリアルタイムVLA制御
フローマッチング型VLAモデルのリアルタイム推論を可能にするフレームワークを提案。タイムステップ不変性を利用し、キャッシュ更新を効率化して高速化を実現した。
原題: Reflex: Real-Time VLA Control through Streaming Inference / Yuanchun Guo, Bingyan Liu
日本語で読む → - 論文VLAロボティクス
FBFM: ワールドアクションモデル実行のための訓練不要な非同期フィードバック機構
フローマッチングに基づくワールドアクションモデルにおいて、チャンク境界を待たずに実観測を内部フィードバックとして注入し、長期タスクでのドリフトを抑制する訓練不要の推論機構を提案した。
原題: FBFM: A Training-Free Asynchronous Feedback Mechanism for Flow-Matching in World-Action Models Execution / Peize Li, Ruimeng Zhang, Ru Zhang 他
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/長期メモリ/操作ロボティクス
NativeMEM: 長期ホライズンのロボット操作のためのネイティブメモリ圧縮
事前学習済みVLAモデルが高頻度更新で長い視覚履歴を保持できるように、VLA自身の視覚エンコーダを再利用して各フレームを単一トークンに圧縮するメモリ圧縮方式を提案。外部メモリや新規モジュール不要で、シミュレーション成功率を32.4%から84.0%に向上させた。
原題: NativeMEM: Native Memory Compression for Long-Horizon Robotic Manipulation / Ziye Wang, Modi Shi, Chaojun Ni 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ロボティクス
ロボット操作のための視覚言語行動モデルにおける二重潜在記憶
視覚言語行動モデルに、過去の経験を潜在記憶トークンとして統合するフレームワークを導入し、長期依存タスクの性能を向上させた。
原題: Dual Latent Memory in Vision-Language-Action Models for Robotic Manipulation / Hongyu Qu, Jianzhe Gao, Xiaobin Hu 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
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/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/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
DeVA: 物理的ガイダンスを備えた分離型ビデオ・アクションモデルによるロボットポリシー学習
ビデオ生成とアクション予測を分離した専門家モジュールと物理的ガイダンスを導入し、ロボット操作ポリシーの学習効率と汎化性能を向上させた。
原題: DeVA: Decoupled Video-Action Model with physical guidance for robot policy learning / Mengqi Zhang, Sahil Khose, Simar Kareer 他
日本語で読む → - 論文VLA/操作ロボティクス
Lift3D-VLA: 3次元幾何と動力学を考慮した操作のためのVLAモデルのリフティング
VLAモデルに明示的な3次元点群推論と時間的に一貫した行動生成を組み込む統一フレームワークを提案。2Dモデルを3Dに持ち上げる戦略と自己教師あり学習で幾何と物理ダイナミクスを内部化し、LLMの多層で行動チャンクを予測する。
原題: Lift3D-VLA: Lifting VLA Models to 3D Geometry and Dynamics-Aware Manipulation / Jiaming Liu, Qingpo Wuwu, Nuowei Han 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/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
LeapBot-WA: 予測的潜在アライメントによるワールドアンカー行動モデル
ピクセルレベルの動画生成に依存せず、潜在空間での予測的意味アライメントを用いて物理ダイナミクスを抽出する新しいワールドアクションモデルを提案し、LIBEROやRoboTwinで高い性能を達成した。
原題: LeapBot-WA: World-Anchor Action Models via Predictive Latent Alignments / Pei Liu, Nan Zheng, Lang Zhang 他
日本語で読む → - 論文VLA画像認識
固定カメラから自由カメラへ:キャリブレーション不要の視点ロバストな視覚言語行動モデル
カメラの位置が変わっても、その位置情報を明示的に与えずにロボットが自分で視点を推定して操作できる新しいVLAモデルを提案した。カメラ中心の動作予測と手と目の関係行列の予測を組み合わせ、単眼RGB画像だけで多様な視点で成功率を向上させる。
原題: From Fixed to Free Cameras: Calibration-Free View-Robust Vision-Language-Action Model / Wenhao Li, Xueying Jiang, Quanhao Qian 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
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/行動生成ロボティクス
ChunkFlow: 連続性を保つチャンク型ポリシー学習に向けて
VLAモデルのチャンク型アクション出力で生じる境界の不整合(ジッタ)を、チャンク構造と実行を整合させる学習・実行フレームワークChunkFlowを提案し、CALVINやLIBERO、実ロボットで成功率と安定性を改善した。
原題: ChunkFlow: Towards Continuity-Consistent Chunked Policy Learning / Zhao Yang, Yinan Shi, Mingyuan Yao 他
日本語で読む → - 論文VLA/基盤モデルロボティクス
RynnBrain 1.1:より高機能で汎用的な具現化基盤モデルを目指して
RynnBrain 1.1は、2Bから122B-A10Bまでの規模を持つ具現化基盤モデル群で、接触点予測や3Dグラウンディングを導入し、ロボット操作に直接対応する表現と出力を実現。実機実験では、Qwenベースや汎用VLAを上回る性能を示した。
原題: RynnBrain 1.1: Towards More Capable and Generalizable Embodied Foundation Model / Kehan Li, Bohan Hou, Minghao Zhu 他
日本語で読む → - 論文VLA/セグメンテーション画像認識
GEAR-Seg: 推論セグメンテーションとデータエンジンのための根拠付き説明可能エージェント
推論セグメンテーションを、クラス非依存セグメンテーション、意味記述、LLM推論に分離した説明可能なエージェントを提案し、ゼロショットで高性能を達成。さらに、大規模データセットGEAR-131Kを自動生成し、軽量モデルの蒸留実験で有効性を示した。
原題: GEAR-Seg: A Grounded Explainable Agent for Reasoning Segmentation and Data Engine / Yanan Wang, Wen Li, Yibin Ying 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 →
PR・アフィリエイト広告
