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: 2026/5/1 / 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
DEFLECT: 遅延ロバストな非同期VLAのための時間的反実在選好学習
非同期VLAの遅延による予測と実行のミスマッチを、反実在選好学習で修正するオフライン後訓練フレームワークを提案。
原題: DEFLECT: Temporal Counterfactual Preference Learning for Delay-Robust Asynchronous VLAs / Yixiang Zhu, Yonghao Chen, Zijie Yang 他
日本語で読む → - 論文VLA/圧縮ロボティクス
重要なものを見る:汎用視覚言語行動モデルのための微分可能グリッドサンプル刈り込み
視覚言語行動モデルの計算コストを削減するため、タスクに応じて視覚トークンを連続的に再サンプリングする微分可能グリッドサンプラを提案。10%未満のトークンで精度を保ちつつFLOPsを76%削減。
原題: See What Matters: Differentiable Grid Sample Pruning for Generalizable Vision-Language-Action Model / Yixu Feng, Zinan Zhao, Yanxiang Ma 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/操作ロボティクス
AffordVLA: 暗黙的特徴アライメントによるアフォーダンス表現の視覚言語行動モデルへの注入
VLAモデルの視覚表現に操作中心のアフォーダンス知覚を暗黙的に注入するフレームワークを提案し、シミュレーションと実世界で高い性能を達成した。
原題: AffordVLA: Injecting Affordance Representations into Vision-Language-Action Models via Implicit Feature Alignment / Weijie Kong, Zhian Su, Wei Yu 他
日本語で読む → - 論文VLAロボティクス
NoiseGate: ワールドアクションモデルにおける情報ゲーティングとしての潜在変数毎タイムステップスケジュール学習
ロボットの行動生成と未来観測の予測を統合するワールドアクションモデルにおいて、各潜在フレームのノイズレベル(タイムステップ)を学習可能な情報ゲートとして扱い、行動生成に寄与する信頼性を動的に調整する手法NoiseGateを提案した。
原題: NoiseGate: Learning Per-Latent Timestep Schedules as Information Gating in World Action Models / Wen Huang, Haoran Sun, Yongjian Guo 他
日本語で読む → - 論文VLA/RLファインチューニングロボティクス
何を無視し、何に反応するか:VLAモデルの視覚的に頑健なRLファインチューニング
VLAモデルのRLファインチューニングにおいて、視覚変化がタスクに無関係か挙動変更を要するかを区別する補助目的を追加し、視覚的頑健性を向上させるPAIR-VLAを提案した。
原題: What to Ignore, What to React: Visually Robust RL Fine-Tuning of VLA Models / Yuanfang Peng, Jingjing Fu, Chuheng Zhang 他
日本語で読む → - 論文VLAロボティクス
PriorVLA: 事前知識を保持した視覚言語行動モデルの適応
事前学習済みの視覚言語行動モデルを下流タスクに適応させる際、事前知識を保持しつつ効率的に活用するフレームワークPriorVLAを提案。凍結した事前エキスパートと適応エキスパートを組み合わせ、パラメータ更新を25%に抑えつつ、分布外や少数サンプル設定で高い性能を達成。
原題: PriorVLA: Prior-Preserving Adaptation for Vision-Language-Action Models / Xinyu Guo, Bin Xie, Wei Chai 他
日本語で読む → - 論文VLAロボティクス
3DVLA: 3次元空間・インスタンス理解による視覚言語行動モデルの強化
視覚言語行動モデルに3次元空間理解とインスタンス理解を注入するプラグアンドプレイフレームワークを提案し、操作性能を向上させた。
原題: 3DVLA: Enhancing Vision-Language-Action Models via 3D Spatial and Instance Understanding / Zhongyu Xia, Yousen Tang, Bingqing Wei 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/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/失敗検出ロボティクス
軌跡の中のかくれんぼ:VLA実行時監視のための失敗シグナル発見
軌跡レベルのラベルのみから、ステップ単位の注釈なしで失敗を示す行動を特定するフレームワークを提案し、VLAモデルの実行時失敗検出性能を向上させた。
原題: Hide-and-Seek in Trajectories: Discovering Failure Signals for VLA Runtime Monitoring / Seongheon Park, Wendi Li, Changdae Oh 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
GuidedVLA: プラグアンドプレイの行動注意特化によるタスク関連因子の指定
VLAモデルの行動デコーダを機能部品として捉え、個々の注意ヘッドに明示的な補助信号でタスク関連因子(物体接地、空間幾何、時間的スキル論理)を学習させるフレームワークを提案し、シミュレーションと実機で汎化性能を向上させた。
原題: GuidedVLA: Specifying Task-Relevant Factors via Plug-and-Play Action Attention Specialization / Xiaosong Jia, Bowen Yang, Zuhao Ge 他
日本語で読む → - 論文VLA/強化学習/人間介入ロボティクス
UniSteer: 人間のガイダンスを活用したVLA適応のための統合ノイズステアリング
拡散型VLAモデルの実世界適応を効率化するため、人間の修正行動をノイズ空間の強化学習に統合するフレームワークUniSteerを提案。実機実験で成功率を平均66分で20%から90%に向上させた。
原題: UniSteer: Unified Noise Steering for Efficient Human-Guided VLA Adaptation / Junjie Lu, Xinyao Qin, Yuhua Jiang 他
日本語で読む → - 論文VLAロボティクス
ElegantVLA: 効率的な視覚言語行動モデルのための思考タイミング学習
VLAモデルの計算コストを削減するため、制御ステップごとに計算量を動的に調整するプラグイン型の位相適応推論フレームワークを提案。
原題: ElegantVLA: Learning When to Think for Efficient Vision-Language-Action Models / Ye Li, Huanan Liu, Kangye Ji 他
日本語で読む → - 論文VLAロボティクス
PAPO-VLA: 計画を考慮した視覚言語行動モデルのポリシー最適化
VLAモデルの実行を計画と実行の二役に分解し、計画アクションを特定して重要度を推定し、GRPOの利点推定に組み込むことで、タスク成功に重要な行動を重点的に最適化する手法を提案した。
原題: PAPO-VLA: Planning-Aware Policy Optimization for Vision-Language-Action Models / Peizheng Guo, Jingyao Wang, Changwen Zheng 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/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ロボティクス
FineVLA: 操縦可能な視覚言語行動ポリシーのための細粒度命令整合
ロボットタスクの実行方法に関する細かい指示(腕、方向、接触領域など)をVLAモデルに学習させるためのデータセットとベンチマーク、およびポリシーを構築した。
原題: FineVLA: Fine-Grained Instruction Alignment for Steerable Vision-Language-Action Policies / Xintong Hu, Xuhong Huang, Jinyu Zhang 他
日本語で読む → - 論文VLA/テスト時適応ロボティクス
検索して操縦:生成的VLAのテスト時適応のためのオンライン成功記憶
凍結されたVLAモデルが、展開中に成功した行動セグメントを記憶し、推論時に類似状態の成功経験を検索して行動生成を誘導することで、繰り返し環境での信頼性を向上させるテスト時適応フレームワークを提案した。
原題: Retrieve-then-Steer: Online Success Memory for Test-Time Adaptation of Generative VLAs / Jianchao Zhao, Huoren Yang, Yusong Hu 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 → - 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
AttenA+: ロボット基盤モデルにおける行動の不平等性の是正
ロボットの軌道における速度の不均一性に着目し、速度に基づく行動注意機構で重要区間を強調して学習する、既存モデルに追加可能なフレームワークを提案した。
原題: AttenA+: Rectifying Action Inequality in Robotic Foundation Models / Daojie Peng, Fulong Ma, Jiahang Cao 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ロボティクス
Gaze2Act: 視線条件付き視覚言語行動ポリシーによる対話的ロボット操作
人間の視線を意図信号として活用し、ロボット操作の精度を高める新しいVLAフレームワークを提案した論文。
原題: Gaze2Act: Gaze-Conditioned Vision-Language-Action Policies for Interactive Robot Manipulation / Kuangji Zuo, Gen Li, Bofan Lyu 他
日本語で読む → - 論文VLA画像認識
EARL: 一人称視点インタラクション推論とピクセル接地のための解析誘導型強化学習フレームワーク
一人称視点映像から人間と環境のインタラクションを理解し、テキスト回答とピクセル単位のマスクを生成する強化学習フレームワークを提案した。
原題: EARL: Towards a Unified Analysis-Guided Reinforcement Learning Framework for Egocentric Interaction Reasoning and Pixel Grounding / Yuejiao Su, Xinshen Zhang, Zhen Ye 他
日本語で読む → - 論文VLAロボティクス
Wall-OSS-0.5 技術報告書
大規模VLA事前学習がロボットの実行可能な行動を直接生み出すかを検証し、ゼロショットで実ロボット動作を達成するオープンソース4Bモデルを提案した。
原題: Wall-OSS-0.5 Technical Report / Ryan Yu, Pushi Zhang, Starrick Liu 他
日本語で読む → - 論文VLA/ベンチマーク画像認識
Embodied3DBench: 視覚言語モデルの低水準身体化空間知能のベンチマーク
視覚言語モデルの身体化3D環境における低水準空間知能を評価するベンチマークを提案し、13モデルの評価と大規模データセットによる改善を示した。
原題: Embodied3DBench: Benchmarking Low-Level Embodied Spatial Intelligence of Vision Language Models / Jiyao Zhang, Mingxu Zhang, Yitong Peng 他
日本語で読む →
PR・アフィリエイト広告
