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/記憶/ベンチマークロボティクス
RoboMME-Interference:干渉下でのロボット記憶のベンチマーク
ロボットの長期記憶性能を評価するため、無関係なセッションを干渉として加えたクロスセッションベンチマークを構築し、既存のVLAモデルが干渉に弱いことを示した。
原題: RoboMME-Interference: Benchmarking Robot Memory Under Interference / Soumil Rathi
日本語で読む → - 論文VLAロボティクス
G³VLA:視覚言語行動モデルのための幾何学的帰納バイアス
カメラの較正情報を視覚トークンに注入する幾何学モジュールを提案し、既存のVLAモデルの性能を多様なベンチマークで向上させた。
原題: G$^3$VLA: Geometric inductive bias for Vision-Language-Action Models / Yue Peng, Yongzhe Zhao, Artur Habuda 他
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
S$^2$-VLA: 長期的操作のための状態空間誘導型視覚言語行動モデル
長期的なロボット操作タスクで性能が劣化する問題を解決するため、タスクの進行状態を追跡し動的に特徴量を融合する適応的注意機構を導入したVLAモデルを提案した。
原題: S$^2$-VLA: State-Space Guided Vision-Language-Action Models for Long-Horizon Manipulation / Zhipeng Xie, Zongyi Han, Xiangyi Wei 他
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/安全性評価ロボティクス
SafeVLA-Bench: 視覚言語行動モデルにおける成功と安全性のギャップを評価するベンチマーク
既存のVLAベンチマークの成功判定では見逃される、過度な接触や周囲の物体の妨害などの安全違反を検出するための、事後評価フレームワークを提案した。
原題: SafeVLA-Bench: A Benchmark for the Success-Safety Gap in Vision-Language-Action Models / Jialiang Fan, Weizhe Xu, Oleg Sokolsky 他
日本語で読む → - 論文VLAロボティクス
視覚言語行動モデルは物理的推論を行うと検証できない
VLAシステムの性能向上が物理的汎化によるものか、意味的マッチングによるものかを区別できない評価プロトコルの問題を指摘し、分離評価の必要性を提案するポジションペーパー。
原題: Position: Vision-Language-Action Models Cannot Be Verified to Perform Physical Reasoning / Taozhao Chen, Ian Manchester, Huaming Chen
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/自律エージェントロボティクス
孤立したスキルから日常の物理的自律性へ:オムニモーダル具現化エージェントの前進
サイバー空間と物理空間を統合した行動空間、階層的記憶、非同期の視覚的割り込み検証を備えたフレームワークOmniActを提案し、実世界の長期タスクで性能とトークン効率を向上させた。
原題: Advancing Omnimodal Embodied Agents from Isolated Skills to Everyday Physical Autonomy / Junhao Shi, Zezheng Huai, Siyin Wang 他
日本語で読む → - 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 → - 論文モバイル操作/VLAロボティクス
SERF: 長時間ホライズンのモバイル操作のための時空間環境・ロボット特徴マップ
ロボットの長時間操作タスクにおいて、環境とロボット自身を共有潜在空間のニューラル点群として表現する時空間特徴マップを導入し、これをVLAモデルの状態入力として用いることで、長期的な推論とタスク成功率を向上させる。
原題: SERF: Spatiotemporal Environment and Robot Feature Map for Long-Horizon Mobile Manipulation / Sunghwan Kim, Byeonghyun Pak, Kehan Long 他
日本語で読む → - 論文VLA/モデル圧縮ロボティクス
視覚言語行動モデルのファインチューニングには、思っているより少ない層で十分である
大規模な視覚言語行動(VLA)モデルには層ごとの冗長性があることを発見し、学習不要の構造圧縮パイプラインを提案。冗長な層を除去してモデルを最大50%圧縮し、ファインチューニング時間を40-50%、推論時間を最大30%削減しつつ、性能はフルモデルと同等以上を達成した。
原題: Finetuning Vision-Language-Action Models Requires Fewer Layers Than You Think / Gia-Binh Nguyen, Trong-Bao Ho, Thien-Loc Ha 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
粗から精密へ:視覚言語行動モデルのためのアクショントークン計画
VLAモデルに、将来の軌道を要約する粗いアクショントークンの計画を導入し、その計画に基づいて実行用のアクショントークンを生成する方式を提案。長期的なタスクでの性能が向上した。
原題: Coarse-to-Control: Action-Token Planning for Vision-Language-Action Models / Jinhao Wu, Shiduo Zhang, Yicheng Liu 他
日本語で読む → - 論文VLA/強化学習/折りたたみロボティクス
折りたたみ学習:LeHomeチャレンジ2026優勝ソリューション(オンライン1位、オフライン2位)
両腕ロボットによる衣類折りたたみ競技会で、VLAポリシーに強化学習ループを組み合わせ、オンライン1位・実機2位を獲得したシステムを提案。
原題: Learning to Fold: prizewinning solution at LeHome Challenge 2026 (1st place online, 2nd offline) / Ilia Larchenko
日本語で読む → - 論文VLA評価ロボティクス
FATE-VLA: 視覚言語行動モデルのための失敗を考慮したテスト生成
VLAモデルの評価を、固定ベンチマークではなく、失敗が起きやすい高リスクなシーンを能動的に探索するテスト生成問題として捉え、多様性駆動の探索とサロゲートモデルを組み合わせて、より多くの多様な失敗モードを発見する手法を提案した。
原題: FATE-VLA:Failue-aware test generation for vision-language-action models / Arusa Kanwal, Pablo Valle, Shaukat Ali 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 → - 論文操作/VLAロボティクス
VoLo: オープン語彙の長期的操作のための物理オーケストレータ
VLMがロボットの多様な能力を中断可能なツールとして統合し、長期的な操作タスクを計画・実行・監視・回復するエージェントループを提案。高忠実度ベンチマークRoboVoLoで評価し、既存手法を上回る性能を実証。
原題: VoLo: A Physical Orchestrator for Open-Vocabulary Long-Horizon Manipulation / Siyi Chen, Hugo Hadfield, Alex Zook 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
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画像認識
WAM4D: 空間レジスタトークンによる高速4Dワールドアクションモデル
ロボットの行動予測と未来観測を同時に行うワールドアクションモデルにおいて、軽量な空間レジスタトークンを用いて事前学習済みの幾何学的特徴を因果的なビデオ・アクショントランスフォーマーに転送し、高コストな幾何学的デコードを避けつつ4D空間整合性を向上させる手法を提案した。
原題: WAM4D: Fast 4D World Action Model via Spatial Register Tokens / Ying Li, Xiaobao Wei, Jiajun Cao 他
日本語で読む → - 論文VLA/ロバスト性ロボティクス
自己改善型VLAポリシー:スプリアスロバストなアクション平滑化のための選択的拡散ノイズ
拡散ベースのVLAポリシーのテスト時ロバスト性を高めるため、拡散ノイズ空間を制御可能な自由度として利用し、スプリアスな視覚相関への依存を減らしつつ滑らかなアクションを生成するノイズ選択手法SDNを提案した。
原題: Self-Improving VLA Policies: Selected Diffusion Noise for Spurious-Robust Action Smoothing / Duc Minh Nguyen, Bao-Ngoc Dao, Tung M. Luu 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/強化学習ロボティクス
FORCE: 価値校正ウォームアップと自己蒸留による効率的なVLA強化学習ファインチューニング
VLAモデルの強化学習ファインチューニングを安定化・高速化する3段階フレームワークFORCEを提案。価値校正ウォームアップと自己蒸留でサンプル効率を改善し、シミュレーションと実機で成功率を大幅に向上させた。
原題: FORCE: Efficient VLA Reinforcement Fine-Tuning via Value-Calibrated Warm-up and Self-Distillation / Shuyi Zhang, Yunfan Lou, Hongyang Cheng 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/移動マニピュレーションロボティクス
グループ別誤差が重要:11自由度移動マニピュレーションのための視覚言語行動モデルのファインチューニング
異種の関節グループを持つ移動マニピュレータ向けにVLAモデルをファインチューニングする際、総MSEが低いチェックポイントが実機で最良とは限らないことを示し、グループ別誤差がより信頼できる選択指標であると主張する論文。
原題: Per-Group Error, Not Total MSE: Fine-Tuning Vision-Language-Action Models for 11-DoF Mobile Manipulation / Pau Montagut Bofi, Mario García Blasco, Tessa Pulli 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/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 →
PR・アフィリエイト広告
