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 → - 論文社会的ナビゲーション/VLAロボティクス
見たものに基づいて行動する:視覚言語行動モデルにおける安全な社会的ナビゲーションの実現
事前学習済みの視覚言語行動(VLA)モデルが歩行者と障害物の区別や衝突予測信号を内部表現に持つことを利用し、注釈不要の2段階ポストトレーニング手法SALSAを提案。反事実的なシーンと将来リスクの教師信号で行動生成と潜在表現を整合させ、近接衝突を86.4%削減した。
原題: Act on What You See: Unlocking Safe Social Navigation in Vision-Language-Action Models / Qingzi Wang, Xiyang Wu, Guangyao Shi 他
日本語で読む → - 論文VLA画像認識
Cosmos 3: 物理AIのための全モーダル世界モデル
言語、画像、動画、音声、行動を統一的に扱う全モーダル世界モデルを提案し、理解・生成タスクでSOTAを達成した。
原題: Cosmos 3: Omnimodal World Models for Physical AI / NVIDIA, :, Aditi 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/全身制御ロボティクス
OpenHLM:全身ヒューマノイド移動操作の実証的レシピ
ヒューマノイドの全身協調動作を実現するため、言語と画像から全自由度を直接制御するVLAモデルの構築方法を体系的に研究し、実用的なレシピを提案した。
原題: OpenHLM: An Empirical Recipe for Whole-Body Humanoid Loco-Manipulation / Yingdong Hu, Haodong Zhu, Boyuan Zheng 他
日本語で読む → - 論文VLA評価/sim2realロボティクス
VLA評価のためのシミュレーションと実世界の相関を改善する実践的レシピ
シミュレーションと実世界の評価結果の相関を体系的に分析し、VLAポリシーの評価や改善にシミュレーションを効果的に活用するための指針を提供する研究。
原題: A Practical Recipe Towards Improving Sim-and-Real Correlation for VLA Evaluation / Shuo Wang, Hanyuan Xu, Yingdong Hu 他
日本語で読む → - 論文VLA/操作ロボティクス
UniviewVLA:世界モデリングを備えた統合マルチビュー視覚言語行動モデル
標準的な2つのカメラ観測のみから、世界モデルを用いてマルチビューの未来シーンを生成し、遮蔽された情報を補完して行動予測を改善するVLAモデルを提案。推論高速化のためのトークン圧縮と、動的な視点選択手法も導入。
原題: UniviewVLA: A Unified Multiview Vision-Language-Action Model with World Modeling / Tao Xu, Runhao Zhang, Zhijian Huang 他
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ロボティクス
GeoAlign: セマンティクスを超えた状態誘導による空間的位置合わせをVLAモデルに導入
VLAモデルにロボットの状態情報を利用した幾何学的特徴の位置合わせ機構を導入し、操作タスクの成功率を向上させた。
原題: GeoAlign: Beyond Semantics with State-Guided Spatial Alignment in VLA Models / Yizhi Chen, Zhanxiang Cao, Xinyi Peng 他
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
汎用ロボット操作のための身体化チェーン・オブ・ソートの再考
大規模な身体化CoTデータセットを構築し、VLAモデルにおける効果的なCoTの形式と統合方法を検証。推論をテスト時に使わず表現整形の教師信号として用いるERVLAを提案し、高い汎化性能を達成した。
原題: Revisiting Embodied Chain-of-Thought for Generalizable Robot Manipulation / Nan Sun, Yuan Zhang, Yongkun Yang 他
日本語で読む → - 論文ナビゲーション/VLAロボティクス
VEGA: 実世界の自己中心視点ビデオと幾何学的軌道監視によるナビゲーションVLAの学習
未ラベルの自己中心視点ナビゲーションビデオから、幾何学的軌道監視を用いて障害物回避可能なナビゲーションVLAモデルを訓練する手法を提案。
原題: VEGA: Learning Navigation VLAs from In-the-Wild Egocentric Video with Geometric Trajectory Supervision / Gershom Seneviratne, Yohan Abeysinghe, Jianyu An 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
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
UniFS: 視覚言語行動モデルのための統合高速-低速階層アーキテクチャ
人間の脳の多時間スケール処理に着想を得て、VLM層を更新頻度の異なるグループに階層化し、潜在ベクトル反転機構と多レベル監視戦略を導入することで、高速-低速の周波数ジレンマを解決する新しいVLAアーキテクチャを提案した。
原題: UniFS: Unified Fast-to-Slow Hierarchical Architecture for Vision-Language-Action Models / Lin Sun, Zhiwei Guan, Conglin Wang 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
MemoryVAM: ロボット操作のためのビデオ行動モデルへの記憶統合
ビデオワールドモデルポリシーにエピソード記憶機構を導入し、長期的な操作タスクで過去の情報を活用できるようにした。LIBERO-Memで成功率を5%から42.5%に向上させた。
原題: MemoryVAM: Integrating Memory into Video Action Model for Robot Manipulation / Yuxin Jiang, Chang Yu, Yunuo Chen 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 → - 論文医療ロボティクス/VLAロボティクス
BiliVLA: 強化学習を用いた自律的胆道内視鏡ナビゲーションのためのシーン認識型視覚言語行動モデル
胆道内視鏡ナビゲーションを指示条件付き視覚運動学習問題として定式化し、シーン認識型のVLAフレームワークを提案。対象カテゴリ、接地バウンディングボックス、3自由度モーターコマンドを予測し、2段階訓練で性能を向上させた。
原題: BiliVLA: Scene-Aware Vision-Language-Action Model with Reinforcement Learning for Autonomous Biliary Endoscopic Navigation / Jinsong Lin, Chi Kit Ng, Zhiyong Xiong 他
日本語で読む → - 論文VLAロボティクス
平坦性が視覚言語行動モデルの指示追従を維持する
視覚言語行動モデルの微調整時に平坦性を保つ最適化を適用し、指示無視の失敗を大幅に改善した。
原題: Flatness Preserves Instruction Following in Vision-Language-Action Models / Haochen Zhang, Yonatan Bisk
日本語で読む → - 論文VLAロボティクス
ACE-Ego-0: 自己中心視点の人間とロボットデータを統合したVLA事前学習
ロボットの軌跡データ収集のコストを抑えるため、大規模な自己中心視点の人間ビデオを擬似行動ラベルに変換し、ロボットデータと統合してVLAモデルを事前学習するフレームワークを提案した。
原題: ACE-Ego-0: Unifying Egocentric Human and Robotic Data for VLA Pretraining / Hao Li, Ganlong Zhao, Yufei Liu 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/異機種間転移ロボティクス
Cloak: エンドエフェクタをVLAからマスクすることで実現するゼロショット異機種間操作
手首カメラ画像からエンドエフェクタをマスクする訓練手法Cloakを提案し、単一グリッパのデータのみで訓練したVLAが、未見の異なるロボット構成へゼロショットで転移できることを示した。
原題: Cloak: Zero-Shot Cross-Embodiment Manipulation by Masking the End-Effector from the VLA / Michael Piseno, Guy Tevet, C. Karen Liu
日本語で読む → - 論文VLAロボティクス
GeoSem-WAM: 幾何・意味を考慮した世界行動モデル
将来のRGB予測に加えて、幾何と意味の予測を補助タスクとして導入し、ロボットの行動決定に有効な潜在表現を学習する世界モデルを提案した。
原題: GeoSem-WAM: Geometry- and Semantic-Aware World Action Models / Fulong Ma, Daojie Peng, Wenjun Yue 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 →
PR・アフィリエイト広告
