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: 2026/5/15 / 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
UAM: VLA訓練における忘却問題への二経路視点からのアプローチ
VLAモデルがVLMのマルチモーダル能力を失う「身体化税」問題を、生物学的視覚の二経路構造に着想を得て、並列な背側経路(Dorsal Expert)を追加するUAMを提案し、忘却を抑えつつ操作性能を向上させた。
原題: UAM: A Dual-Stream Perspective on Forgetting in VLA Training / Jianke Zhang, Yuanfei Luo, Yucheng Hu 他
日本語で読む → - 論文VLA画像認識
二重ボトルネックの打破:統一マルチモーダルモデルを自己適応型インターリーブ視覚推論器へ進化させる
理解と生成のギャップによるX2Iタスクの二重ボトルネック(注意の絡まりと視覚的洗練不足)を解決するため、指示の複雑さに応じて生成戦略を自律的に切り替えるフレームワークを提案した。
原題: Breaking Dual Bottlenecks: Evolving Unified Multimodal Models into Self-Adaptive Interleaved Visual Reasoners / Qingyang Liu, Bingjie Gao, Canmiao Fu 他
日本語で読む → - 論文VLA画像認識
ForgeVLA: 言語アノテーションなしの連合視覚言語行動学習
分散した視覚・行動ペアから、言語アノテーションやデータ集約なしにVLAモデルを学習する連合学習フレームワークを提案した。
原題: ForgeVLA: Federated Vision-Language-Action Learning without Language Annotations / Yuhao Zhou, Yunpeng Zhu, Yang Zhou 他
日本語で読む → - 論文VLAcs.GR
JoyAI-Image: 統一マルチモーダル理解と生成における空間知能の覚醒
視覚理解・テキストからの画像生成・指示による画像編集を統合したマルチモーダル基盤モデルを提案し、空間認識能力を強化した。
原題: JoyAI-Image: Awaking Spatial Intelligence in Unified Multimodal Understanding and Generation / Lin Song, Wenbo Li, Guoqing Ma 他
日本語で読む → - 論文VLA画像認識
LocateAnything: 並列ボックスデコードによる高速・高品質な視覚言語グラウンディング
視覚言語モデルによる物体検出・グラウンディングを、ボックス座標を並列に一度でデコードする方式に変え、推論速度と精度を両立させた。
原題: LocateAnything: Fast and High-Quality Vision-Language Grounding with Parallel Box Decoding / Shihao Wang, Shilong Liu, Yuanguo Kuang 他
日本語で読む → - 論文データセット/VLAロボティクス
SABER: 実世界VLA適応のためのスケーラブルな行動ベース身体データセット
小売環境でのロボット操作性能を向上させるため、実際の店舗で100時間以上の自然な映像から構築した高忠実度の行動データセットSABERを提案。頭部カメラと360度カメラを併用し、手先の器用な動作から全身動作までを収録し、VLAモデルの適応に有効なデータを提供する。
原題: SABER: A Scalable Action-Based Embodied Dataset for Real-World VLA Adaptation / Narsimha Menga, Parikshit Sakurikar, Amirreza Rouhi 他
日本語で読む → - 論文VLA/パラメータ効率的ファインチューニングロボティクス
VLA-GSE: 一般・専門エキスパートによるVLAのパラメータ効率的ファインチューニングの強化
VLAモデルのロボット制御への適応を改善するため、凍結バックボーンのスペクトル分解に基づき、一般エキスパートと専門エキスパートを導入したパラメータ効率的ファインチューニング手法を提案した。
原題: VLA-GSE: Boosting Parameter-Efficient Fine-Tuning in VLA with Generalized and Specialized Experts / Yuhua Jiang, Junjie Lu, Xinyao Qin 他
日本語で読む → - 論文VLAロボティクス
予測に基づくサブゴール生成による長期タスク解決のためのAnticipation-VLA
長期にわたるロボットタスクを解決するため、タスクの進行に応じて適応的にサブゴールを生成する予測モデルを導入し、階層型VLAモデルを提案した。
原題: Anticipation-VLA: Solving Long-Horizon Embodied Tasks via Anticipation-based Subgoal Generation / Zhilong Zhang, Wenyu Luo, Haonan Wang 他
日本語で読む → - 論文VLA/推論時計算ロボティクス
ドリフトはサンプリング誤差:長期的ロボット計画のためのSNRを考慮したパワー分布
VLAモデルにおける指示ドリフトをサンプリング誤差として捉え、推論時にパワー分布とSNRに基づく適応的MCMC探索を導入するCAPSを提案し、長期的タスクの成功率を向上させた。
原題: Drift is a Sampling Error: SNR-Aware Power Distributions for Long-Horizon Robotic Planning / Kewei Chen, Yayu Long, Mingsheng Shang
日本語で読む → - 論文VLAロボティクス
ELAN4D: 身体中心の4D監視による視覚言語行動モデルのプラグアンドプレイ適応
ロボットのキーポイントの未来の3D軌跡を予測する補助分岐をVLAモデルに追加し、外乱下での汎化性能を向上させるフレームワークを提案した。
原題: ELAN4D: Embodiment-Centric 4D Supervision for Vision-Language-Action Models via Plug-and-Play Adaptation / Zeyuan He, Bowen Yang, Zhirui Fang 他
日本語で読む → - 論文VLAロボティクス
動力学ブラインドネスの克服:VLAモデルのための学習不要のペース・経路補正
単一フレーム観測に基づくVLAモデルが動的環境で性能劣化する問題に対し、学習不要で閉形式の推論時補正演算子を提案し、動的環境での成功率を最大28.8%向上させた。
原題: Overcoming Dynamics-Blindness: Training-Free Pace-and-Path Correction for VLA Models / Yanyan Zhang, Chaoda Song, Vikash Singh 他
日本語で読む → - 論文VLA/ロボット制御ロボティクス
コントラスティブ・コンセプター活性ステアリング(COAST):隠れ状態を通じて視覚言語行動モデルを解放する
VLAモデルの潜在表現を成功部分空間へステアリングする手法COASTを提案し、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: Contrastive Conceptor Activation Steering (COAST): Unlocking Vision-Language-Action Models through Hidden States / Miranda Muqing Miao, Subin Kim, Brandon Yang 他
日本語で読む → - 論文VLA/セキュリティロボティクス
バックドアに基づく視覚-言語-行動モデルの所有権検証手法
視覚-言語-行動モデル(VLA)にバックドア型の透かしを埋め込み、モデル公開後の所有権を検証するフレームワークGuardVLAを提案した。
原題: Towards Backdoor-Based Ownership Verification for Vision-Language-Action Models / Ming Sun, Rui Wang, Xingrui Yu 他
日本語で読む → - 論文VLAロボティクス
点追跡が世界行動モデルを改善する
ピクセル予測に加えて2D点追跡と可視性を予測する世界行動モデルJOPATを提案し、長期的なダイナミクスと遮蔽への頑健性を向上させた。
原題: Point Tracking Improves World Action Models / Jiarui Guan, Wenshuai Zhao, Yue Pei 他
日本語で読む → - 論文VLA/ロボット学習ロボティクス
フローマッチングVLAにおける保守的SFTによる基盤能力の保持
フローマッチング型VLAモデルのファインチューニング時に生じる破壊的忘却を防ぐため、モデルの信頼度に応じて学習信号を動的にスケーリングする保守的教師あり学習(ConSFT)を提案し、LIBEROやRoboTwinベンチマークで既存手法を上回る性能を確認した。
原題: Preserving Foundational Capabilities in Flow-Matching VLAs through Conservative SFT / Tianyi Zhang, Shaopeng Zhai, Haoran Zhang 他
日本語で読む → - 論文VLAロボティクス
ピクセルからトークンへ:視覚言語行動モデルにおける潜在行動教師あり学習の体系的研究
視覚言語行動モデル(VLA)の学習における潜在行動の教師あり手法を体系的に比較し、画像ベースと行動ベースの潜在行動がそれぞれ長期的推論と複雑な運動制御に有効であることを示した。
原題: From Pixels to Tokens: A Systematic Study of Latent Action Supervision for Vision-Language-Action Models / Yihan Lin, Haoyang Li, Yang Li 他
日本語で読む → - 論文VLA/強化学習機械学習
結果が分岐する箇所を学習する:確率的チャンクマスキングによる効率的なVLA強化学習
VLAポリシーの強化学習において、勾配計算が時間の大部分を占める問題に対し、軌道内で成功と失敗が分岐するフェーズのみに勾配計算を割り当てる確率的チャンクマスキング(PCM)を提案した。
原題: Learn Where Outcomes Diverge: Efficient VLA RL via Probabilistic Chunk Masking / Vaidehi Bagaria, Nikshep Grampurohit, Pulkit Verma
日本語で読む → - 論文VLA/計画ロボティクス
オンデバイスロボット計画:推論の冗長性を排除した効率的な意思決定
ロボットの推論ワークロードに時間的冗長性があることに着目し、不要な推論を最小化するフレームワークREISを提案。シーンゲーティングとKVステアリングにより推論オーバーヘッドを削減しつつ性能を維持する。
原題: On-Device Robotic Planning: Eliminating Inference Redundancy for Efficient Decision-Making / Joonhee Lee, Hyunseung Shin, Hyunmi Kim 他
日本語で読む → - 論文VLA/マイクロロボット/両腕操作ロボティクス
Mag-VLA: 両腕磁気駆動マイクロロボット操作のための視覚言語行動モデル
磁気駆動マイクロロボットを両腕ロボットで操作するための視覚言語行動モデルを提案し、位相認識とアクションチャンキングにより高精度な操作を実現した。
原題: Mag-VLA: Vision-Language-Action Model for Bimanual Magnetically Actuated Microrobot Manipulation / Yongchen Wang, Kangyi Lu, Lan Wei 他
日本語で読む → - 論文VLAロボティクス
FLASH: スパースサンプリングによる効率的な視覚運動ポリシー
拡散モデルやフローマッチングの反復処理による遅延を解消するため、ルジャンドル多項式で軌道を表現し、履歴係数から生成を開始することで単一推論で長い行動範囲を実現する高速な視覚運動ポリシーを提案した。
原題: FLASH: Efficient Visuomotor Policy via Sparse Sampling / Jiaqi Bai, Jindou Jia, Yuxuan Hu 他
日本語で読む → - 論文VLAロボティクス
EvoScene-VLA: アクションデコーダ内でシーン信念を進化させ、チャンク化ロボット制御を実現
ロボットのアクションによって変化するシーン状態を、チャンク間で持続的に更新するVLAポリシーを提案し、シミュレーションと実機で成功率を向上させた。
原題: EvoScene-VLA: Evolving Scene Beliefs Inside the Action Decoder for Chunked Robot Control / Chushan Zhang, Ruihan Lu, Jinguang Tong 他
日本語で読む → - 論文VLA/データ拡張画像認識
シミュレーションからリアリズムを見る:視覚言語行動データ拡張のための効率的なビデオ変換
シミュレーションで生成したVLA学習用ビデオを、タスクの意味と行動軌跡を保ちつつ現実的なビデオに変換する効率的なデータ拡張フレームワークを提案。拡散モデルの特徴再利用とコアセットサンプリングにより計算コストを抑え、実ロボットを含む複数ベンチマークで性能を向上させた。
原題: Seeing Realism from Simulation: Efficient Video Transfer for Vision-Language-Action Data Augmentation / Chenyu Hui, Xiaodi Huang, Siyu Xu 他
日本語で読む → - 論文VLA/操作制御ロボティクス
π0-EqM: 閉ループ視覚言語行動制御のための平衡マッチング
VLAモデルの行動デコーダを平衡マッチングに置き換え、計算資源を状態に応じて適応的に配分し、ロボット操作の成功率を向上させた。
原題: $\pi_0$-EqM: Equilibrium Matching for Closed-Loop Vision-Language-Action Control / Huanming Liu, Congsheng Xu, Jianmin Ji 他
日本語で読む → - 論文VLAロボティクス
故障認識型ロボット制御のためのヘルス条件付き視覚言語行動モデル
ロボットの物理的な劣化(関節の劣化やアクチュエータ故障など)に対応するため、健康状態ベクトルを入力として受け取り、劣化した関節でもタスクを完了できるように適応する視覚言語行動(VLA)モデルを提案した。
原題: Health-Conditioned Vision-Language-Action Models for Malfunction-Aware Robot Control / Hüseyin Arslan, Özgür Erkent
日本語で読む → - 論文VLA/推論高速化ロボティクス
潜在ブリッジ:デュアルシステム視覚言語行動モデルの効率的推論のための特徴デルタ予測
高コストなVLMバックボーンの呼び出しを間引いても行動精度を保つため、時間ステップ間のVLM出力差分を予測する軽量モデルを提案し、複数のVLAアーキテクチャで有効性を示した。
原題: Latent Bridge: Feature Delta Prediction for Efficient Dual-System Vision-Language-Action Model Inference / Yudong Liu, Yuan Li, Zijia Tang 他
日本語で読む → - 論文VLAロボティクス
Agentic-VLA: 視覚言語行動モデルの効率的なオンライン適応
VLAモデルのオンライン適応を効率化するエージェント型トレーニングフレームワークを提案し、報酬合成、言語誘導探索、経験メモリにより、LIBEROベンチマークで大幅な性能向上と高速収束を達成した。
原題: Agentic-VLA: Efficient Online Adaptation for Vision-Language-Action Models / Ruofan Jin, Zaixi Zhang
日本語で読む → - 論文VLA/強化学習/巧緻操作ロボティクス
BORA: オフライン強化学習とオンライン残差適応を橋渡しする実世界巧緻操作VLAモデル
実世界の巧緻操作向けに、オフライン学習で価値関数を構築し、オンラインで人間介入による残差適応を行うVLAモデルの後訓練フレームワークを提案した。
原題: BORA: Bridging Offline Reinforcement Learning and Online Residual Adaptation for Real-World Dexterous VLA Models / Zhongxi Chen, Yifan Han, Yanming Shao 他
日本語で読む → - 論文VLA/自動運転/安全性AI
VLA推論は忠実か?自動運転モデルにおける因果連鎖の安全性の検証
自動運転のVLAモデルが出力する推論の忠実性を初めて体系的に調査し、推論が実際のシーンと一致しない割合が高いことや、歩行者見落とし、軌道の脆弱性などを明らかにした。
原題: Is VLA Reasoning Faithful? Probing Safety of Chain-of-Causation in Autonomous Driving Models / Nicanor Mayumu, Xiaoheng Deng, Patrick Mukala
日本語で読む → - 論文VLA/操作ロボティクス
PrimitiveVLA: 再利用可能な運動プリミティブ学習による効率的で汎用的なロボット操作
VLAモデルのデータ効率と汎化を改善するため、デモを再利用可能な運動プリミティブに分解し、推論時に組み立てるフレームワークを提案した。
原題: PrimitiveVLA: Learning Reusable Motion Primitives for Efficient and Generalizable Robotic Manipulation / Yutai Li, Shaohui Peng, Jiaming Guo 他
日本語で読む → - 論文VLA画像認識
CapVector: パラメトリック空間における転移可能な能力ベクトルの学習による視覚言語行動モデルの強化
事前学習済みVLAモデルの標準的な教師あり微調整では性能向上が限定的である問題に対し、補助目的の効果をパラメータ差分として抽出し、軽量な正則化で統合する能力ベクトル手法を提案した。
原題: CapVector: Learning Transferable Capability Vectors in Parametric Space for Vision-Language-Action Models / Wenxuan Song, Han Zhao, Fuhao Li 他
日本語で読む →
PR・アフィリエイト広告
