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
長期的ロボット制御のための視覚運動ポリシーにおける記憶検索
部分観測環境での長期タスクを可能にするため、注意機構を用いた記憶検索を備えた視覚運動ポリシーHALOを提案。VLMの事前知識を活用して誤相関を抑え、記憶誤差の蓄積を軽減する。
原題: Memory Retrieval in Visuomotor Policies for Long-Horizon Robot Control / Rutav Shah, Yisu Li, Femi Bello 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/失敗予測ロボティクス
Tri-Info: 情報理論によるVLAモデルの汎用的で解釈可能な失敗予測
VLAモデルの動作を情報理論の観点から分析し、成功と失敗で異なる情報的シグネチャを捉えるTri-Info信号を提案。再学習なしでアーキテクチャや環境をまたいで失敗を検出でき、実世界タスクでも高い精度を達成。
原題: Tri-Info: Generalizable, Interpretable Failure Prediction for VLA Models via Information Theory / Jinghan Yang, Yunchao Zhang, Wang Yuan 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
構造化された段階とキーフレーム監視による視覚言語行動モデルのファインチューニング改善
ロボット操作のVLAモデルにおいて、グリッパーイベント遷移に失敗が集中する問題を解決するため、デモのグリッパー状態から自動的に段階分類器とキーフレーム予測器を補助ヘッドとして学習し、ベースポリシーを変えずに性能を向上させるStaKeフレームワークを提案した。
原題: Improving Vision-Language-Action Model Fine-Tuning with Structured Stage and Keyframe Supervision / Yuan Xu, Yixiang Chen, Kai Wang 他
日本語で読む → - 論文VLA/強化学習ロボティクス
dVLA-RL: 離散拡散ビジョン・ランゲージ・アクションモデルに対する軌跡上の強化学習
離散拡散型VLAモデルの強化学習を可能にするため、生成過程をマルコフ決定過程とみなし、軌跡の結合確率を目的関数とする手法を提案した。
原題: dVLA-RL: Reinforcement Learning over Denoising Trajectories for Discrete Diffusion Vision-Language-Action Models / Yuhao Wu, Yitian Liu, Weijie Shen 他
日本語で読む → - 論文VLA/動的操作ロボティクス
未来を先取りする:動的VLA操作のための潜在空間予測世界モデル
物体が動く環境での操作を可能にするため、凍結したVLAモデルに動きを考慮した潜在世界モデルを追加し、将来の特徴を予測してから行動する手法を提案した。
原題: Intercepting the Future: Latent-Space Predictive World Model for Dynamic VLA Manipulation / Shahram Najam Syed, Arthur Jakobsson, Haoran Hao 他
日本語で読む → - 論文VLAロボティクス
DREAM-Chunk: 潜在世界モデルによるリアクティブなアクションチャンキング
アクションチャンキング方式のポリシーに軽量な潜在世界モデルを追加し、テスト時に複数の候補チャンクの未来を予測して最適なものを選択することで、確率的な環境下でのロバスト性を向上させる手法を提案した。
原題: DREAM-Chunk: Reactive Action Chunking with Latent World Model / Wenxi Chen, Kaidi Zhang, Chi Lin 他
日本語で読む → - 論文VLAロボティクス
理解しながら行動する:リアルタイム視覚言語行動モデルのための非同期意味・行動分離
既存のVLAモデルを改造せず、意味理解と行動生成を非同期に分離し、低頻度で意味条件を更新しつつ高頻度で行動を出力することで、低遅延な閉ループ制御を実現する枠組みを提案した。
原題: Acting While Understanding: Asynchronous Semantic-Action Decoupling for Real-Time Vision-Language-Action Models / Shenhao Yan, Ge Wang, Qi Liu 他
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/強化学習ロボティクス
弾性クエリ強化学習:VLAモデルの自己認識型ポリシー実行
VLAモデルの推論・再計画スケジュールを固定せず、状態の難易度に応じてクエリの入力・ノイズ除去予算・アクション長を動的に調整する枠組みEQRLを提案。軽量な適応器と批評家の不一致による難易度信号で計算資源を効率的に配分し、シミュレーションと実機で推論コストを削減しつつ成功率を維持・向上させた。
原題: Elastic Queries Reinforcement Learning: Self-Aware Policy Execution for VLA Models / Ge Wang, Xinyu Tan, Xiang Li 他
日本語で読む → - 論文VLA/強化学習ロボティクス
FlowPRO: フローマッチングVLAの報酬なし強化学習による微調整 - 近接化選好最適化を用いて
フローマッチング型VLAモデルを実ロボットに展開可能なポリシーへと微調整する、報酬なしのオフライン強化学習フレームワークFlowPROを提案。選好最適化に近接正則化を導入し、介入・ロールバックデータから高品質なポリシーを学習する。
原題: FlowPRO: Reward-Free Reinforced Fine-Tuning of Flow-Matching VLAs via Proximalized Preference Optimization / Yihao Wu, He Zhang, Junbo Tan 他
日本語で読む → - 論文VLA画像認識
反射型VLA:文脈内の行動結果がVLAの汎化を促進する
視覚言語行動モデル(VLA)の汎化性能を向上させるため、観察・行動・結果の三つ組を文脈として利用する「Reflective VLA」を提案した。従来の反応型モデルでは捉えられない環境固有の要因を、行動後の変化から推定することで、分布シフト下での成功率を向上させた。
原題: Reflective VLA: In-Context Action Consequences Make VLAs Generalize / Qing Lian, Kent Yu, Lei Zhang
日本語で読む → - 論文VLA画像認識
MASER: 身体化3D空間知能のためのモダリティ適応型専門家ルーティング
3D環境での質問応答において、質問内容に応じて最適なモダリティ(点群、RGB画像など)を選択する軽量なルーティングフレームワークを提案した。
原題: MASER: Modality-Adaptive Specialist Routing for Embodied 3D Spatial Intelligence / Hilton Raj, Vishnuram AV
日本語で読む → - 論文両腕操作/VLAロボティクス
選択的に見て適応的に動く:両腕ロボット操作のための二重レベル構造分解
両腕ロボット操作において、視覚情報の重要度と腕の協調パターンが状況に応じて変化する問題に対し、視覚ルータと行動MoEによる二重レベルの構造分解を導入したVLAフレームワークを提案し、シミュレーションと実機で性能を向上させた。
原題: See Selectively, Act Adaptively: Dual-Level Structural Decomposition for Bimanual Robot Manipulation / Yoon-Ji Choi, Young-Chae Son, Soo-Chul Lim
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/不確実性推定ロボティクス
摂動に基づく不確実性による視覚言語行動モデルの故障検出
視覚言語行動モデルに対し、隠れ活性化への摂動注入による不確実性推定を提案し、分布シフト下での故障検出性能を向上させた。
原題: Perturbation-Based Uncertainty for Failure Detection in Vision-Language-Action Models / Yousung Lee, Dongsoo Har
日本語で読む → - 論文VLAロボティクス
TTT-VLA: テスト時潜在プロンプト最適化による視覚言語行動モデルの適応
視覚言語行動モデル(VLA)のテスト時分布シフトに対処するため、環境からの相互作用データを用いて潜在プロンプトのみを最適化するテスト時訓練フレームワークを提案した。
原題: TTT-VLA: Test-Time Latent Prompt Optimization for Vision-Language-Action Models / Wenbo Zhang, Jianxiong Li, Shuai Yang 他
日本語で読む → - 論文VLA/操作ロボティクス
ProbeAct: プローブ誘導による訓練不要の視覚言語行動モデル障害回復
視覚言語行動モデル(VLA)の失敗を検出・回復する訓練不要の介入フレームワークを提案。隠れ状態プローブと運動状態機械、制御障壁関数フィルタを組み合わせ、追加学習なしで成功率を向上させる。
原題: ProbeAct: Probe-Guided Training-Free Failure Recovery in Vision-Language-Action Models / Fan Zhang, Seongbin Park, Baharan Mirzasoleiman 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ロボティクス
MIRTH: 相互情報推論と時間的ハブによる視覚-言語-行動エージェント
VLAモデルの時間的視野狭窄や推論ギャップ、推論効率の問題を解決するため、二重スケールの時間メモリハブ、相互情報目的の潜在推論トークン、並列行動デコードを導入した統一フレームワークMIRTHを提案。LIBEROベンチマークと実機でSOTAを達成。
原題: MIRTH: Mutual-Information Reasoning with Temporal Hubs for Vision-Language-Action Agents / Hao Sun, Yu Song, Shiyu Teng 他
日本語で読む → - 論文双腕操作/VLAロボティクス
Co-VLA: 双腕ビジョン・ランゲージ・アクションシステムのための協調認識型構造化アクションモデリング
双腕ロボット操作において、明示的な協調構造をVLAモデルに導入し、共有・残差潜在変数と制御器により信頼性と解釈可能性を向上させるフレームワークを提案した。
原題: Co-VLA: Coordination-Aware Structured Action Modeling for Dual-Arm Vision-Language-Action Systems / Yandong Wang, Jiaqian Yu, Xiongfeng Peng 他
日本語で読む → - 論文VLAロボティクス
MPCoT: 報酬誘導型マルチパス潜在推論によるテスト時スケーラブルな視覚言語行動モデル
視覚言語行動(VLA)モデルの推論時に、複数の潜在的な行動仮説を並列に洗練して統合する報酬誘導型フレームワークを提案し、長期的タスクの成功率を向上させた。
原題: MPCoT: Reward-Guided Multi-Path Latent Reasoning for Test-Time Scalable Vision-Language-Action / Boyang Zhang, Lianlei Shan
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/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ロボティクス
構造化画像表現による説明可能なロボット学習
ロボットポリシーの学習にシーングラフを中間表現として用い、タスクに関連する部分グラフを抽出して行動生成に利用することで、モデルの判断過程を説明可能にする手法を提案した。
原題: SIR: Structured Image Representations for Explainable Robot Learning / Paul Mattes, Jan Schwab, Jens Bosch 他
日本語で読む → - 論文VLA画像認識
LARA: 視覚言語行動モデルのための潜在行動表現の整合
本論文は、視覚言語行動モデルと潜在行動モデルを同時に最適化するプラグアンドプレイフレームワークを提案し、シミュレーションと実世界の操作タスクで性能を向上させた。
原題: LARA: Latent Action Representation Alignment for Vision-Language-Action Models / Mengya Liu, Baoxiong Jia, Jiangyong Huang 他
日本語で読む → - 論文VLA/安全性評価ロボティクス
LIBERO-Safety: 視覚言語行動モデルにおける物理的・意味的安全性の包括的ベンチマーク
VLAモデルの安全性を評価するため、パラメトリックな安全ベンチマークと大規模データセットを構築し、8つのVLAモデルと2つの基盤モデルの系統的評価を行った。
原題: LIBERO-Safety: A Comprehensive Benchmark for Physical and Semantic Safety in Vision-Language-Action Models / Rongxu Cui, Zongzheng Zhang, Jingrui Pang 他
日本語で読む →
PR・アフィリエイト広告
