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
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ロボティクス
LA4VLA: 視覚なしで行動を学習する言語-行動事前学習
視覚-言語-行動モデルが視覚情報に過度に依存する問題を解決するため、視覚観察なしで言語条件付き行動の事前学習を行うフレームワークを提案し、シミュレーションと実世界で性能向上を確認した。
原題: LA4VLA: Learning to Act without Seeing via Language-Action Pretraining / Tao Lin, Yuxin Du, Yiran Mao 他
日本語で読む → - 論文VLAロボティクス
少なく見て、多く指定する:汎用VLAのための視覚的証拠予算
視覚言語行動(VLA)モデルの汎化を改善するため、指示を詳細な軌跡・サブタスク言語で再ラベルし、明示的な視覚的証拠予算を課して実行器を訓練するフレームワークS2を提案した。
原題: See Less, Specify More: Visual Evidence Budgets for Generalizable VLAs / Yueh-Hua Wu, Tatsuya Matsushima, Kei Ota
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
自己回帰ポリシーによるリアルタイム実行
自己回帰型の視覚言語行動モデルをリアルタイムで実行する手法を提案し、トークン化の調整と制約付きデコードにより遅延を保証して性能を向上させることを示した。
原題: Real-Time Execution with Autoregressive Policies / Sangkyu Lee, Seohyeon Park, Tackgeun You 他
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/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画像認識
DeepLatent: 並列潜在視覚推論による画像思考
視覚言語モデルにおいて、画像を中間推論ステップに埋め込む「画像で考える」パラダイムを強化するため、並列に潜在視覚状態を生成するフレームワークDeepLatentを提案した。
原題: DeepLatent: Think with Images via Parallel Latent Visual Reasoning / Dongchen Lu, Zhimo Li, Mao Shu 他
日本語で読む → - 論文VLAAI
視覚言語行動モデルにおける閉ループ神経活性制御
視覚言語行動モデルのテスト時介入を固定係数から適応的な閉ループ制御に変え、タスク成功率と概念制御の安定性を向上させる手法を提案した。
原題: Closed-Loop Neural Activation Control in Vision-Language-Action Models / Abhijith Babu, Ramneet Kaur, Nathaniel D. Bastian 他
日本語で読む → - 論文VLA画像認識
VisualThink-VLA: 視覚的推論による効率的で低遅延な視覚言語行動ポリシー
テキストの思考連鎖に代わる視覚的推論を導入し、行動予測の精度を保ちつつ推論遅延を大幅に削減したVLAポリシーを提案。
原題: VisualThink-VLA: Visual Intermediate Reasoning for Effective and Low-Latency Vision-Language-Action Policies / Mingjian Gao, Wenqiao Zhang, Yuqian Yuan 他
日本語で読む → - 論文VLA画像認識
逆動力学学習による視覚言語行動モデルの状態エイリアシング緩和
視覚言語行動モデルにおいて、視覚的に類似した状態が異なる行動を必要とする問題(状態エイリアシング)を、逆動力学学習を補助目的として導入することで緩和する手法を提案した。
原題: Mitigating State Aliasing in Vision-Language-Action Models via Inverse Dynamics Learning / Kyujin Lee, Injae Kim, Jihwan Park 他
日本語で読む → - 論文VLAモデル解析AI
VLA-Trace: 表現と行動のトレーシングによる視覚-言語-行動モデルの診断
VLAモデルがマルチモーダル知識を身体制御に変換する過程を、表現ダイナミクスから因果帰属、行動発現まで段階的に診断するフレームワークを提案し、π0.5とOpenVLAの比較分析からモデル間の適応戦略や制御経路の違いを明らかにした。
原題: VLA-Trace: Diagnosing Vision-Language-Action Models through Representation and Behavior Tracing / Haoyuan Shi, Xiancong Ren, Yingji Zhang 他
日本語で読む → - 論文VLA/攻撃/転移性画像認識
VLA-Hijack: 視覚的プロプリオセプション乗っ取りによる視覚言語行動モデルへの転移可能なパッチ攻撃
VLAモデルが動作計画前にロボットアームの自己位置を視覚で特定する共通の脆弱性を突き、注意誘導型プロプリオセプション抑制とマルチモーダル注入によりパッチを偽の身体として埋め込む転移可能な攻撃手法を提案した。
原題: VLA-Hijack: A Transferable Patch Attack against Vision-Language-Action Models via Visual Proprioception Hijacking / Jiyuan Fu, Kaixun Jiang, Jingkai Jia 他
日本語で読む → - 論文VLA/量子化画像認識
HoloQ-VLA: 視覚言語行動モデルの一様W4A4量子化
視覚言語行動モデルを、拡散アクションヘッドを含む全体を一様に4ビット量子化する訓練不要のフレームワークを提案し、性能を維持しつつメモリを大幅削減した。
原題: HoloQ-VLA: Uniform W4A4 Quantization of Vision-Language-Action Models / Xinyu Wang, Mingze Li, Sicheng Lyu 他
日本語で読む → - 論文VLA画像認識
GEM: 生成的監視が身体化知能を強化する
視覚言語モデルの事前学習に深度マップ生成タスクを統合し、身体化環境での空間・物理理解を向上させるGEMを提案。大規模データセットGEM-4Mを公開し、シミュレーションと実世界で高い性能を実証した。
原題: GEM: Generative Supervision Helps Embodied Intelligence / Ruowen Zhao, Bangguo Li, Zuyan Liu 他
日本語で読む → - 論文VLAAI
PEAM: Minecraftにおける経験の対比的内部化によるパラメトリック具現化エージェントメモリ
Minecraft環境で、エージェントの記憶を推論時の検索からパラメータ内蔵スキルへ変換するフレームワークを提案。失敗と修正のペアを学習し、忘却を防ぎながら自己進化する。
原題: PEAM: Parametric Embodied Agent Memory through Contrastive Internalization of Experience in Minecraft / Yuchen Guo, Junli Gong, Weicheng Wang 他
日本語で読む → - 論文VLA/ロバスト性cs.CR
能力とロバスト性は両立できない:視覚言語行動モデルに対する情報理論的限界
視覚言語行動モデル(VLA)は、わずかな敵対的摂動で成功率が劇的に低下することを示し、その能力とロバスト性のトレードオフに理論的下限が存在することを情報理論的に証明した。
原題: Capability and Robustness Cannot Both Be Free: An Information-Theoretic Bound for Vision-Language-Action Models / Jianwei Tai
日本語で読む → - 論文VLA画像認識
VLA初期化のためのVLM表現の再考
VLAモデルの初期化に使う事前学習済みVLM表現の設計を、能力別のVQA教師信号・パラメータ更新戦略・ロボットデータ事前学習の3軸で分析し、元のVLM表現の保持が重要で、LoRAベースの段階的学習が最良であることを示した。
原題: Rethinking VLM Representation for VLA Initialization / Weifeng Lin, Siyuan Huang, Hao Li 他
日本語で読む → - 論文VLA画像認識
LLaVA-OneVision-2:次世代知覚知能に向けて
動画を圧縮ビットストリームとして扱い、適応的な時間グループと空間的証拠の選択によりトークン予算を効率的に配分する新しい視覚言語モデルを提案。大規模なオープン監視データで学習し、動画理解や時間的・空間的接地、操作トレース推論などで高性能を達成。
原題: LLaVA-OneVision-2: Towards Next-Generation Perceptual Intelligence / Xiang An, Yin Xie, Feilong Tang 他
日本語で読む → - 論文VLA画像認識
OmniEgo-R^2: CVPR 2026 EgoCrossチャレンジのためのルーティング推論フレームワーク
手術、産業、エクストリームスポーツ、動物視点など複数領域の自己中心視点動画推論を扱うEgoCrossチャレンジで、時間的証拠の正規化や領域非依存の能力ルーティング等を備えた統合推論パイプラインOmniEgo-R^2を提案し、2位を獲得した。
原題: OmniEgo-R$^2$: A Routed Reasoning Framework for the 1st Cross-Domain EgoCross Challenge at CVPR 2026 / Zixu Li, Zhiwei Chen, Zhiheng Fu 他
日本語で読む → - 論文VLA画像認識
抽象から具体へ:視覚言語行動モデルのための行動表現学習
VLAモデルの分布シフト下での性能低下に対し、長期的な行動表現を学習するBehaviorVLAを提案。因果Mambaベースのエンコーダと位相条件付きデコーダで、シミュレーションと実世界で高い成功率とデータ効率を達成。
原題: From Abstraction to Instantiation: Learning Behavioral Representation for Vision-Language-Action Model / Bing Hu, Zaijing Li, Rui Shao 他
日本語で読む → - 論文VLA画像認識
視覚と言語を理解し、人間や環境と対話する機械知能
画像キャプション、視覚対話、対話型指示追従の3つのタスクに対して、新しいアーキテクチャを提案し、性能と効率を向上させた博士論文。
原題: Machine Intelligence that Understands Visual and Linguistic Information and Interacts with Humans and Environments / Van Quang Nguyen
日本語で読む → - 論文VLA画像認識
AtlasVA: 教師なしVLMエージェントのための自己進化型視覚スキルメモリ
VLMエージェントの経験を視覚的に保持する自己進化型メモリフレームワークを提案。空間ヒートマップ、視覚例、テキストスキルの3層で構成し、教師なしで危険・親和性アトラスを進化させて強化学習の報酬として利用する。
原題: AtlasVA: Self-Evolving Visual Skill Memory for Teacher-Free VLM Agents / Pan Wang, Yihao Hu, Xiujin Liu 他
日本語で読む → - 論文VLA画像認識
臨床視覚言語モデルにおける医療文脈が意思決定を歪める
胸部X線画像と臨床テキストを用いたタスクで、視覚言語モデルがテキストに過度に依存し、無関係な病歴やプロンプトの変更に影響されやすいことを明らかにした論文。
原題: Medical Context Distorts Decisions in Clinical Vision Language Models / David Restrepo, Ira Ktena, Maria Vakalopoulou 他
日本語で読む → - 論文VLA/ベンチマーク画像認識
EPIC-Bench: 視覚言語モデルにおける細粒度な身体化視覚グラウンディングのための知覚中心ベンチマーク
身体化エージェントの視覚基盤として使われる視覚言語モデル(VLM)の、実際の環境での細かい視覚認識能力を評価するベンチマークEPIC-Benchを提案。6.6kの注釈付きデータで、対象位置特定・ナビゲーション・操作の3段階にわたる23タスクを設定し、89以上のVLMを評価した。
原題: EPIC-Bench: A Perception-Centric Benchmark for Fine-Grained Embodied Visual Grounding in Vision-Language Models / Haozhe Shan, Xiancong Ren, Han Dong 他
日本語で読む → - 論文VLA画像認識
LASAR: 潜在認知マップによる時空間推論の実現
エージェントが空間構造の内部モデルを獲得するよう促すため、二重記憶システムと対照学習を導入し、VLN-CEやVSI-Benchで性能を向上させた。
原題: LASAR: Towards Spatio-temporal Reasoning with Latent Cognitive Map / Jinzhou Tang, Sidi Liu, Waikit Xiu 他
日本語で読む → - 論文VLA画像認識
正しい予測、誤解を招く説明:視覚言語モデルの説明の脆弱性について
CLIPベースの視覚言語モデルにおいて、予測を変えずに説明ヒートマップを操作できる攻撃手法X-Shiftを提案し、説明の忠実性と予測の乖離を実証した。
原題: Right Predictions, Misleading Explanations: On the Vulnerability of Vision-Language Model Explanations / Narges Babadi, Hadis Karimipour
日本語で読む → - 論文VLA/蒸留画像認識
オフライン意味ガイダンスによる効率的な視覚言語行動ポリシー蒸留
大規模な視覚言語行動(VLA)モデルを軽量な学生ポリシーへ蒸留する際、オフラインの視覚言語モデルから高次意味情報(タスク位相アンカーや多フレーム方向記述)を教師信号として活用するフレームワークVLA-ADを提案。モデルサイズを44倍削減しつつ、教師とほぼ同等の性能を達成。
原題: Offline Semantic Guidance for Efficient Vision-Language-Action Policy Distillation / Jin Shi, Brady Zhang, Yishun Lu
日本語で読む →
PR・アフィリエイト広告
