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: 2026/6/1 / 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ロボティクス
出力レベル正則化が単一GPU VLAファインチューニングにおけるシード抽選問題を解消する
VLAモデルのファインチューニングで、ランダムシードによって成功率が大きく低下する「シード抽選」問題を発見し、出力レベルの正則化(VICReg、Dropout、学習率減衰)がこの問題を完全に解消することを示した論文。
原題: Output-Level Regularization Eliminates the Seed Lottery in Single-GPU VLA Fine-Tuning / Jeffrin Sam, Dzmitry Tsetserukou
日本語で読む → - 論文VLA画像認識
シンプルにしよう:視覚言語行動モデルのための一段階行動生成
視覚言語行動モデルにおける一段階行動生成の有効性を、条件とターゲットの構造に基づいて理論的・実験的に検証し、高ノイズ学習が一段階復号を向上させることを示した論文。
原題: Let It Be Simple: One-Step Action Generation for Vision-Language-Action Models / Yitong Chen, Shiduo Zhang, Jingjing Gong 他
日本語で読む → - 論文VLA/失敗回復ロボティクス
馴染みのある未来への回帰:事前生成マイルストーン選択によるVLAポリシーの失敗回復
VLAポリシーが操作中に軌道から逸脱した際、事前に生成した未来状態のマイルストーンを選択して固定目標とすることで、微調整なしに失敗から回復させる手法を提案した。
原題: Back to the Familiar Future: Failure Recovery for VLA Policies via Pre-Imagined Milestone Selection / Suyeon Shin, Juwon Kim, Hyeonbin Park 他
日本語で読む → - 論文共有自律 / VLA / 遠隔操作ロボティクス
SAPS: 遠隔操作と事前学習VLAのブレンドによるポリシー誘導の共有自律
事前学習済みのVLAポリシーと人間の遠隔操作をアクションレベルでブレンドする共有自律フレームワークを提案し、再学習や追加モデルなしで成功率を最大82%向上させた。
原題: SAPS: Shared Autonomy for Policy Steering by Blending Teleoperation with a Pretrained VLA / Crystal Zhou, Jehan Yang, Douglas J. Weber 他
日本語で読む → - 論文VLAロボティクス
MuseVLA: ロボット操作のための適応型マルチモーダルセンシング視覚言語行動モデル
RGBカメラだけでは捉えられない温度や音、レーダーなどの多様なセンサ情報を、タスクに応じてツールのように選択・統合できる視覚言語行動モデルを提案した。
原題: MuseVLA: An Adaptive Multimodal Sensing Vision-Language-Action Model for Robotic Manipulation / Xingyuming Liu, Ruichun Ma, Heyu Guo 他
日本語で読む → - 論文VLA画像認識
動作焦点の潜在アクションによる人間のエゴビデオからのクロスエンボディVLA訓練
ラベルなしの人間のエゴビデオから動作の潜在アクションを抽出し、ロボットのVLAモデルを訓練する手法を提案。シミュレーションと実環境で、わずか50トラジェクトリの適応で大規模データセットで訓練した最先端モデルと同等の性能を達成。
原題: Motion-Focused Latent Action Enables Cross-Embodiment VLA Training from Human EgoVideos / Runze Xu, Yiluo Zhang, Jian Wang 他
日本語で読む → - 論文VLAロボティクス
TempoVLA: 速度制御可能な視覚言語行動ポリシーの学習
ロボット操作の速度を明示的な条件で制御できる単一のVLAモデルを提案。デモの軌道を任意の速度に再タイミングするデータ拡張と、速度をポリシーに供給する機構を組み合わせ、低リスク区間での高速化と高リスク区間での低速化を実現した。
原題: TempoVLA: Learning Speed-Controllable Vision-Language-Action Policies / Dong Jing, Jingchen Nie, Tianqi Zhang 他
日本語で読む → - 論文VLAロボティクス
ロボット制御のための文脈内世界モデリング
ロボットポリシーが短い自己生成インタラクション履歴からシステム変数を推論し、新しいカメラ視点やロボット形態にパラメータ更新なしで適応するフレームワークを提案した。
原題: In-Context World Modeling for Robotic Control / Siyin Wang, Junhao Shi, Senyu Fei 他
日本語で読む → - 論文VLA/エッジ展開ロボティクス
RhinoVLA技術報告:エッジSoC向け展開最適化VLAモデル
エッジSoC上でのリアルタイム展開を目指し、トークン効率的なVLAモデルと専用SoCを共同設計し、10Hzの実時間制御を達成した。
原題: RhinoVLA Technical Report / Huixi Technology, :, Chen Zhang 他
日本語で読む → - 論文VLAロボティクス
視覚言語行動のための連続推論
自然言語はタスクレベルの粒度であり連続制御には不向きなため、VLAポリシーに適した連続思考を導入し、共有ガウス潜在変数として自己検証目的で学習する手法を提案した。
原題: Continuous Reasoning for Vision-Language-Action / Yueh-Hua Wu, Tatsuya Matsushima, Kei Ota
日本語で読む → - 論文VLAロボティクス
クロスエンボディメントロボット操作のための行動事前学習
視覚言語行動モデルにおいて、行動モジュールに事前に運動の事前知識を学習させる2段階トレーニング手法を提案し、クロスエンボディメント設定での性能を向上させた。
原題: Learning Action Priors for Cross-embodiment Robot Manipulation / Dong Jing, Tianqi Zhang, Jiaqi Liu 他
日本語で読む → - 論文VLAロボティクス
PearlVLA: 潜在空間における段階的動作計画の洗練
視覚言語行動モデル(VLA)の推論を潜在空間で行うことで、高速な動作生成と明示的な熟考の両立を実現するフレームワークを提案した。
原題: PearlVLA: Progressive Embodied Action-Plan Refinement in Latent Space / Bochen Yang, Lianlei Shan
日本語で読む → - 論文VLAロボティクス
CT-VAM: 小脳-視床に着想を得た効率的な視覚運動制御のための視覚行動モデル
大規模言語モデルによる高次推論とローカルでの高速制御を分離するため、小脳-視床経路に着想を得た軽量な視覚行動モデルCT-VAMを提案。68Mパラメータで大規模VLAに匹敵する性能を達成し、実機でも高速制御を実現した。
原題: CT-VAM: A Cerebello-Thalamic-Inspired Vision-Action Model for Efficient Visuomotor Control / Jiacheng Li, Yize Guo, Jiabin Guo 他
日本語で読む → - 論文VLA/ベンチマークロボティクス
RoboProcessBench: 視覚言語ロボット操作におけるプロセス認識理解のベンチマーク
ロボット操作の実行過程を静的監視と動的推論の2次元で評価するベンチマークを構築し、12種類の診断質問群と約58kのQAペアを含むデータセットを提供した。既存のVLMがプロセス理解に乏しいことを示し、教師あり微調整による改善効果も検証した。
原題: RoboProcessBench: Benchmarking Process-Aware Understanding in Vision-Language Robotic Manipulation / Dayu Xia, Yue Shi, Yao Mu 他
日本語で読む → - 論文VLA/強化学習ロボティクス
本能を信じよ:視覚言語行動モデルのための信頼度駆動型テスト時強化学習
視覚言語行動モデル(VLA)が内部の評価能力を持ち、高信頼度の軌道が成功しやすいことを利用し、外部報酬なしで自己改善するテスト時強化学習フレームワークT^2VLAを提案した。
原題: Trust Your Instincts: Confidence-Driven Test-Time RL for Vision-Language-Action Models / Siyao Chen, Jiakang Yuan, Jiaxin Wang 他
日本語で読む → - 論文VLA/安全性評価ロボティクス
ForesightSafety-VLA: 視覚・言語・行動モデルのための統合診断安全ベンチマーク
VLAモデルの安全性を評価するための診断ベンチマークを提案し、物理的相互作用・指示・視覚の3側面から13カテゴリの安全分類を定義して、シーン構造・言語コマンド・視覚観察の変動下でプロセスレベルのリスクを測定する。
原題: ForesightSafety-VLA: A Unified Diagnostic Safety Benchmark for Vision-Language-Action Models / Mingyang Lyu, Yinqian Sun, Yiyang Jia 他
日本語で読む → - 論文VLAロボティクス
必要なときに夢を見る:適応的マルチモーダル推論による世界行動モデルの進化
世界行動モデル(WAM)の性能を高めるため、タスクの切り替え時にはテキスト推論、細かい操作時には視覚推論を動的に切り替える軽量ルータを導入したAdaWAMを提案した。シミュレーションと実世界のタスクで効率と性能が向上した。
原題: Dreaming when Necessary: Advancing World Action Models with Adaptive Multi-Modal Reasoning / Yinzhou Tang, Jingbo Xu, Yu Shang 他
日本語で読む → - 論文VLAロボティクス
Hy-Embodied-0.5-VLA:視覚言語行動モデルから実世界ロボット学習スタックへ
データ収集からモデル設計、事前学習、微調整、強化学習、実機展開までを含むロボット学習の全スタックを備えたエンドツーエンドシステムを提案した論文。
原題: Hy-Embodied-0.5-VLA: From Vision-Language-Action Models to a Real-World Robot Learning Stack / He Zhang, Lingzhu Xiang, Haitao Lin 他
日本語で読む → - 論文VLA自然言語
英語を超えて:視覚・言語・行動モデルにおける多言語ギャップの解明
視覚・言語・行動モデルが英語以外の指示で性能が大幅に低下する多言語ギャップを初めて体系的に調査し、その原因を分析した。
原題: Beyond English: Uncovering the Multilingual Gap in Vision-Language-Action Models / Hanyang Chen, Hongliang Li, Jiarui Cao 他
日本語で読む → - 論文VLA/操作ロボティクス
タスク成功を超えて:WAMとVLAの行動・表現診断
ロボット操作のVLAポリシーとWorld-Action Models(WAM)を、行動解析とスパースオートエンコーダによる内部表現解析で比較し、成功指標では見えない行動・表現の違いを明らかにした論文。
原題: Beyond Task Success: Behavioral and Representational Diagnostics for WAM and VLA / Hung Mai, Bin Zhu, Tuan Do
日本語で読む → - 論文VLA画像認識
エンコーダの勝者はVLAバックボーンの規模を超えて確実には転送されない:凍結バックボーン移植診断
VLAポリシーにおいて、小規模バックボーンで最適な視覚エンコーダが大規模バックボーンでも最適とは限らないことを、凍結バックボーン移植診断法を用いて実証した。
原題: Encoder Winners Do Not Reliably Transfer Across VLA Backbone Scale: A Frozen-Backbone Grafting Diagnostic / Qingping Zeng, Fei She
日本語で読む → - 論文VLA/操作ロボティクス
ワールドパイロット:世界行動事前知識で視覚言語行動モデルを操縦する
視覚言語行動モデルに、世界モデルから得たシーン進化の潜在表現と予測軌道を事前知識として注入し、分布外操作タスクや実ロボットでの成功率を向上させた。
原題: World Pilot: Steering Vision-Language-Action Models with World-Action Priors / Zefu Lin, Rongxu Cui, Junjia Xu 他
日本語で読む → - 論文VLA/ロボットアーム/オープンソースロボティクス
OpenEAI-Platform: オープンソースの具現化人工知能ハードウェア・ソフトウェア統合プラットフォーム
低コストの6+1自由度ロボットアームと再現可能なVLAモデルを統合した完全オープンソースのプラットフォームを提案し、実世界の操作タスクで商用アームや大規模事前学習モデルと同等以上の性能を示した。
原題: OpenEAI-Platform: An Open-source Embodied Artificial Intelligence Hardware-Software Unified Platform / Jinyuan Zhang, Luoyi Fan, Leiyu Wang 他
日本語で読む → - 論文VLA/操作ロボティクス
接地された3D点のアクションヘッド直接注入による空間・タスク汎化の実現
VLAモデルの空間・タスク汎化を改善するため、3D点ベースの接地信号をアクションヘッドに直接注入する軽量モジュールを提案し、LIBERO-PROで成功率を大幅に向上させた。
原題: Direct Action-Head Injection of A Grounded 3D Point Unlocks Spatial and Task Generalization / Shiang-Feng Tsai, Jin-Cheng Jhang, Yen-Ling Tai 他
日本語で読む → - 論文VLAロボティクス
ω-EVA: 潜在的な対話型世界モデルによる想像・検証・行動
ロボットの行動生成に、行動の結果を潜在空間で想像・検証してから最終行動を決定する3段階フレームワークを導入した論文。
原題: $\omega$-EVA: Envision, Verify, and Act with Latent Interactive World Models / Zhenguo Sun, Yu Sun, Hande Huang 他
日本語で読む → - 論文VLA画像認識
一般共変アクションモデリング:時空間分離による一般化多様体の構築
ロボットの動作生成において、絶対座標への回帰が一般共変性に反する問題を解決するため、時空間を分離して動作多様体を構築するGAMフレームワークを提案した。
原題: General Covariant Action Modeling: Constructing Generalized Manifolds via Spatio-Temporal Decoupling / Huaihai Lyu, Chaofan Chen, Mingyu Cao 他
日本語で読む → - 論文VLA/モバイル操作ロボティクス
追加データなしでVLAを堅牢化:動作計画とのインターリーブ手法
長期的なモバイル操作タスクで性能が低下するVLAモデルに対し、モデルベースの動作計画をインターリーブするフレームワークMPVIを提案し、追加学習なしでタスク成功率を大幅に向上させた。
原題: Make Your VLA More Robust Without More Data By Interleaving Motion Planning / Dan BW Choe, Sundhar Vinodh Sangeetha, Samuel Coogan 他
日本語で読む → - 論文VLAロボティクス
ReSiReg: 言語条件付きロボットタスクにおける空間的に一貫したセマンティクスの実現
視覚言語モデルの埋め込みはノイズが多く空間的に一貫性がない問題を解決するため、空間的に一貫した中間表現を用いて特徴を再構成する手法ReSiRegを提案した。
原題: ReSiReg: Towards Spatially Consistent Semantics in Language-Conditioned Robotic Tasks / Simon Schwaiger, David Seyser, Alessandro Scherl 他
日本語で読む → - 論文VLA画像認識
Event-VLA: アクション条件付きイベント融合によるロバストな視覚言語行動モデル
照明変化に弱い既存のVLAモデルに対し、イベントカメラのストリームをアクションクエリ経由で融合するEvent-VLAを提案し、低照度下での操作成功率を向上させた。
原題: Event-VLA: Action-Conditioned Event Fusion for Robust Vision-Language-Action Model / Jiaxin Liu, Xun Xu, Zhenhao Zhang 他
日本語で読む → - 論文VLAロボティクス
異種ロボット学習のための統合運動-行動モデリング
3D物体運動軌跡を共通インターフェースとして用い、視覚運動制御と力学モデリングを統合するモデルを提案。マスク生成目的と対照学習により、多様なデータソースからのマルチタスク事前学習と、複数の推論モードでの適応を実現する。
原題: Unified Motion-Action Modeling for Heterogeneous Robot Learning / Yunhao Cao, Shitong Liu, Chao Feng 他
日本語で読む →
PR・アフィリエイト広告
