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/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/操作ロボティクス
Cortex: 長期的操作のための双方向整合型具現化エージェントフレームワーク
高レベルVLMと低レベルVLAの間の計画ギャップを埋めるため、32の標準スキルプリミティブと実行可能性原則を導入し、4k時間以上のビデオデータと30時間のシミュレーションデータを自動生成して、長期的操作タスクを改善するフレームワークを提案した。
原題: Cortex: A Bidirectionally Aligned Embodied Agent Framework for Long-horizon Manipulation / Jiaqi Peng, Xiqian Yu, Delin Feng 他
日本語で読む → - 論文VLAロボティクス
Xiaomi-Robotics-1: 10万時間以上の実世界軌道データによる視覚言語行動モデルのスケーリング
10万時間以上の実世界の操作軌跡データを用いて、汎用的な視覚言語行動(VLA)モデルを事前学習し、未見環境での指示追従や少量データでの適応を可能にする基盤モデルを構築した。
原題: Xiaomi-Robotics-1: Scaling Vision-Language-Action Models with over 100K Hours of Real-World Trajectories / Xiaomi Robotics Team, Jun Guo, Piaopiao Jin 他
日本語で読む → - 論文VLA/ロボット操作ロボティクス
AC-VLA: 構成学習によるロバストな分布外行動実行
VLAモデルの分布外汎化を改善するため、LLMによるタスク分解と非対称マスキングを組み合わせた構成学習フレームワークAC-VLAを提案した。
原題: AC-VLA: Robust Out-of-Distribution Action Execution via Compositional Learning / Xiaojiang Peng, Kai Peng, Jie Lu 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
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/推論ランタイムロボティクス
Embodied.cpp: 異種ロボット向け具現化AIモデルのポータブル推論ランタイム
VLAモデルや世界行動モデルなどの具現化AIモデルを、異なるロボットやエッジデバイス上で効率的に実行するためのC++推論ランタイムを提案。モジュール化された5層構造により、多レート実行や低遅延推論を実現し、Pythonベースラインと比較して1.05〜2.70倍の高速化とVRAM削減を達成した。
原題: Embodied.cpp: A Portable Inference Runtime of Embodied AI Models on Heterogeneous Robots / Ling Xu, Borui Li, Hao Wu 他
日本語で読む → - 論文VLAロボティクス
ロボット行動表現のための意味的アンカリング
VLAモデルの微調整で失われる意味構造を保つため、行動表現を意味多様体に固定するプラグアンドプレイ手法を提案し、実世界で最大+18.7%の成功率向上を達成した。
原題: Semantic Anchoring for Robotic Action Representations / Yuan Xu, Youheng Shi, Chengyang Li 他
日本語で読む → - 論文VLA/操作画像認識
DynaWM: ベースVLA誘導による移動物体操作のための世界基盤モデル
移動物体操作のための世界モデルを提案。ベースVLAの性能を保ちつつ、Mamba-3とV-JEPA 2.1を用いて動作軌道を生成し、新ベンチマークDynaGrasp-32で評価した。
原題: DynaWM: A Base-VLA-Guided World Foundation Model for Moving-Object Manipulation / Chongkei Chang, Zhidong Deng
日本語で読む → - 論文VLA画像認識
大規模視覚言語モデルを用いたトークンベースのアフォーダンス接地
大規模視覚言語モデルの出力トークンの注意マップを活用し、外部教師なしで行動関連領域を特定するゼロショットのアフォーダンス接地フレームワークを提案した。
原題: Token-Based Affordance Grounding with Large Vision-Language Models / Seung Il Lee, Qinqian Lei, Daguang Xu 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
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/操作ロボティクス
FM-VLA: 接触を伴う操作における視覚言語行動モデルのための力覚ベースメモリ
視覚言語行動モデルに力覚履歴をメモリとして組み込み、非マルコフ的で接触を伴う操作タスクの時間的文脈推論を可能にした。
原題: FM-VLA: Force-based Memory for Vision-Language-Action Models in Contact-Rich Manipulation / Ruicheng Li, Qixiu Li, Ruichun Ma 他
日本語で読む → - 論文VLAcs.MA
早めに共有し、後で節約する:帯域制約下の協調VLNにおける同期駆動通信ゲーティング
帯域制約のある協調視覚言語ナビゲーション(VLN)において、通信の重要度を事後的にラベル付けする軽量な教師付きゲートを提案し、エピソード初期の自信がある状態での通信が効果的であることを示した。
原題: Early to Share, Late to Save: Synchronisation-Driven Communication Gating in Bandwidth-Constrained Cooperative VLN / Arav Gupta, Nivedan Yakolli, Avinash Gautam
日本語で読む → - 論文VLA画像認識
基盤モデル連携の再考:代理タスク推論による特化モデルの強化
基盤モデルと特化モデルの協調をタスク分解として捉え、特化モデルの予測候補を基盤モデルが選択・検証する代理タスクで改善するフレームワークFATを提案。2D/3D物体検出、軌道予測、セマンティックセグメンテーションで効果を実証。
原題: Rethinking Foundation Model Collaboration: Enhancing Specialized Models through Proxy Task Reasoning / Hongyi Lin, Yang Liu, Jinhua Zhao 他
日本語で読む → - 論文VLA/安全性評価画像認識
EgoSafetyBench:具身VLMをランタイム安全監視役として評価する診断用エゴセントリック動画ベンチマーク
ロボット視点の動画で、安全監視VLMが本当の危険を見逃さず、見かけだけの異常に過剰介入しないかを診断するベンチマークを構築し、10種のVLMを評価した。
原題: EgoSafetyBench: A Diagnostic Egocentric Video Benchmark for Evaluating Embodied VLMs as Runtime Safety Guards / Siddhant Panpatil, Arth Singh, Mijin Koo 他
日本語で読む → - 論文VLA/評価ベンチマークAI
SurgVLA-Bench: 腹腔鏡手術ロボットのための視覚言語行動モデル評価ベンチマーク
腹腔鏡手術ロボット向けのVLAモデルを評価する初の包括的ベンチマークを提案し、SurRoLシミュレーション上で階層的タスクと多次元評価フレームワークを構築した。
原題: SurgVLA-Bench: Towards Evaluating Vision-Language-Action Models for Laparoscopic Surgical Robotics / Jiashuo Sun, Yue He, Wenxuan Liu 他
日本語で読む → - 論文VLA/推論高速化画像認識
行動に足る速さで:低遅延ロボットVLM/VLAのための時空間ビジュアルトークン統合
ロボット向け視覚言語モデルや行動モデルの推論遅延を減らすため、視覚エンコード段階で冗長なトークンを時空間的に統合するプラグアンドプレイのフレームワークST-Mergeを提案した。
原題: Fast Enough to Act: Spatio-Temporal Visual Token Merging for Low-Latency Robotic VLMs and VLAs / Junzhou Chen, Jindong Wang, Gang Zhou
日本語で読む → - 論文VLAAI
iFLYTEK-Embodied-Omni技術報告
視覚・言語・行動を単一のOmniフレームワークで統合したマルチモーダル基盤モデルを提案し、脳と小脳の協調に例えられる設計で、指示理解から行動生成までを一貫して行う。
原題: iFLYTEK-Embodied-Omni Technical Report / Yuan Zhang, Jingfei Ni, Guanchen Lu 他
日本語で読む → - 論文VLA画像認識
AIR: MLLMにおけるコードを用いた適応的インターリーブ推論
マルチモーダル大規模言語モデルに、コードを介した数値計算タスクの適応的推論能力を強化学習で付与する手法を提案。
原題: AIR: Adaptive Interleaved Reasoning with Code in MLLMs / Cong Han, Xiaohan Lan, Haibo Qiu 他
日本語で読む → - 論文VLA/セキュリティ機械学習
信頼された想像への攻撃:想像してから行動する世界モデルに対するオラクルレベルの整合性攻撃
想像してから行動するVLAポリシーにおいて、世界行動モデルが生成する未来の潜在軌道を攻撃対象とし、観測摂動による非標的破壊が容易であることを示し、パラメータフリーの検出器を提案した。
原題: Attacking the Trusted Imagination: Oracle-Level Integrity Attacks on Imagine-then-Act World Models / Linghan Chen, Kaiyan Ji, Minyu Guo
日本語で読む → - 論文VLA画像認識
PolicyTrim: 視覚言語行動モデルの本質的なポリシー効率を高める
VLAモデルの実行効率を、推論遅延ではなく行動チャンクの有効長と物理ステップ数に着目して改善する強化学習ベースの後訓練フレームワークを提案した。
原題: PolicyTrim: Boosting Intrinsic Policy Efficiency of Vision-Language-Action Models / Xianghui Wang, Feng Chen, Wenbo Zhang 他
日本語で読む → - 論文VLA/行動理解画像認識
ゴールドポイントスナイパー:微細な行動理解のためのVLMにおける自己誘導型視覚推論
ロボットが広視野画像中の小さな人物の微細な行動を理解するため、軽量VLMに自己誘導型のマルチモーダル推論を組み込むフレームワークGPSを提案し、行動関連の重要点抽出、自己質問による検証、意味的含意評価で精度と事実整合性を向上させた。
原題: Gold Points Sniper: Self-guided Visual Reasoning in VLM for Fine-grained Action Understanding / Haodi Liu, Xinhang Yang, Kunda Yan 他
日本語で読む →
PR・アフィリエイト広告
