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/安全性評価画像認識
視覚言語モデルにおける衝突接地の探求:安全な人間ロボット協調のために
人間とロボットの安全な協調のため、視覚言語モデルが現在の接触状態や差し迫った衝突を正確に判断できるかを評価するベンチマーク「TouchSafeBench」を導入し、既存モデルの性能が不十分であることを示した。
原題: Probing Collision Grounding in Vision-Language Models for Safe Human-Robot Collaboration / Jun Wang, Xiaohao Xu, Xiaonan Huang
日本語で読む → - 論文VLA/プランニングAI
NEXUS: 安全で堅牢な具現化プランニングのための記号的制約の継続学習
大規模言語モデルを用いた具現化エージェントの計画において、物理的な実現可能性と安全性を分離し、実行フィードバックから能力を向上させつつ、確率的リスクを決定的なハード制約に変換して事前防御を行うモジュール型フレームワークNEXUSを提案した。
原題: NEXUS: Continual Learning of Symbolic Constraints for Safe and Robust Embodied Planning / Tiehan Cui, Peipei Liu, Yanxu Mao 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
Qwen-VLA:タスク・環境・ロボット形態を横断する視覚言語行動モデルの統合
多様なロボットタスクを単一の視覚言語行動モデルに統合するQwen-VLAを提案し、操作・ナビゲーション・軌道予測を統一フレームワークで扱う。
原題: Qwen-VLA: Unifying Vision-Language-Action Modeling across Tasks, Environments, and Robot Embodiments / Qiuyue Wang, Mingsheng Li, Jian Guan 他
日本語で読む → - 論文VLA画像認識
視覚予測型VLAモデルのテスト時学習
視覚予測型VLAモデルのOOD脆弱性を、テスト時に予測画像と観測のペアを用いた自己教師あり学習で改善する手法を提案。
原題: Test-Time Training for Visual Foresight Vision-Language-Action Models / Sangwu Park, Wonjoong Kim, Yeonjun In 他
日本語で読む → - 論文継続学習/VLAロボティクス
視覚言語行動モデルは実世界データから忘れずに継続学習できるか?
実世界のロボット連続操作タスクでVLAモデルの継続学習を検証し、経験再生が破滅的忘却を防ぎ、ジョイント訓練と同等以上の性能を達成することを示した。
原題: Can Vision-Language-Action Models Learn from Real-World Data Continually without Forgetting? / Jiarun Zhu, Yijun Hong, Xiaoquan Sun 他
日本語で読む → - 論文VLAロボティクス
Being-H0.7: 自己中心視点ビデオからの潜在世界行動モデル
将来のフレーム生成をせずに、潜在空間での未来推論をVLAポリシーに組み込む新しいモデルを提案。訓練時のみ未来情報を使う二重分岐設計により、推論時は現在の観察のみで将来を考慮した行動決定を実現し、シミュレーションと実世界タスクで高性能を達成した。
原題: Being-H0.7: A Latent World-Action Model from Egocentric Videos / Hao Luo, Wanpeng Zhang, Yicheng Feng 他
日本語で読む → - 論文VLA/ベンチマークロボティクス
Colosseum V2: 視覚言語行動モデルの汎化性能を評価するベンチマーク
VLAモデルの汎化性能を体系的に評価する大規模シミュレーションベンチマークColosseum V2を構築し、既存手法の限界を明らかにした。
原題: Colosseum V2: Benchmarking Generalization for Vision Language Action Models / Jeremy Morgan, Prajwal Vijay, Hyeonho Oh 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における視野外操作のための空間記憶
視覚言語行動モデルに、可動カメラの多視点観測から構築した空間記憶を組み込み、視野外の物体操作を可能にするフレームワークSOMAを提案した。
原題: Spatial Memory for Out-of-Vision Manipulation in Vision-Language-Action / Pengteng Li, Weiyu Guo, He Zhang 他
日本語で読む → - 論文VLAロボティクス
PhysBrain 1.0 技術報告書
大規模な人間の一人称視点ビデオから物理的常識を抽出し、視覚言語行動モデルとロボット制御ポリシーに転移する手法を提案し、複数のベンチマークで最高性能を達成した。
原題: PhysBrain 1.0 Technical Report / Shijie Lian, Bin Yu, Xiaopeng Lin 他
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
RoVLA: ロバストな視覚言語行動モデルのための多重整合性制約
視覚言語行動モデルのロバスト性を高めるため、指示意味・軌道進化・観測摂動の3つの変換に対する整合性制約を導入したRoVLAを提案。
原題: RoVLA: Multi-Consistency Constraints for Robust Vision-Language-Action Models / Jingzhou Luo, Yifan Wen, Yongjie Bai 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
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ロボティクス
DyGRO-VLA: 動的グループ化残差最適化による視覚言語行動モデルのクロスタスクスケーリング
視覚言語行動モデルの汎用性を高めるため、情報理論に基づくクロスタスク表現学習と動的残差最適化を組み合わせた二段階最適化フレームワークを提案した。
原題: DyGRO-VLA: Cross-Task Scaling of Vision-Language-Action Models via Dynamic Grouped Residual Optimization / Sixu Lin, Yunpeng Qing, Litao Liu 他
日本語で読む → - 論文VLA/マルチエージェント/実験室自動化ロボティクス
BioProVLA-Agent: 生物学的実験室操作のための手頃でプロトコル駆動・視覚強化・閉ループ推論可能なVLA搭載具身マルチエージェントシステム
生物実験室の自動化を目的に、プロトコルを入力として、LLMによるサブタスク分解、VLMによる状態検証、VLAによる実行を閉ループで行う低コストなマルチエージェントシステムを提案した。透明な実験器具や反射などの視覚的擾乱に強いオンライン拡張手法も導入している。
原題: BioProVLA-Agent: An Affordable, Protocol-Driven, Vision-Enhanced VLA-Enabled Embodied Multi-Agent System with Closed-Loop-Capable Reasoning for Biological Laboratory Manipulation / Zhaohui Du, Zhe Wang, Dongzhan Zhou 他
日本語で読む → - 論文VLA/検証画像認識
Pre-VLA: 信頼性の高い視覚言語行動・ワールドモデル展開のための先制ランタイム検証
VLAモデルや生成ワールドモデルの行動生成の不確実性に対処するため、物理実行や想像の前に行動の妥当性を検証する統一ランタイム検証アーキテクチャを提案した。
原題: Pre-VLA: Preemptive Runtime Verification for Reliable Vision-Language-Action and World-Model Rollouts / Zhen Sun, Yongjian Guo, Haoran Sun 他
日本語で読む → - 論文VLAロボティクス
ガイド・思考・行動:視覚言語行動モデルにおける対話型身体化推論
ユーザーが視覚的な手がかりでロボットのポリシーを誘導できる対話型VLAフレームワークを提案し、空間的推論と行動生成を統合してOOD環境での堅牢性を向上させた。
原題: Guide, Think, Act: Interactive Embodied Reasoning in Vision-Language-Action Models / Yiran Ling, Qing Lian, Jinghang Li 他
日本語で読む → - 論文VLA/長期タスクロボティクス
ツール整合型視覚言語行動モデルによる長期的身体エージェントの実現
高レベルのVLMエージェントが計画を、専門化されたVLAツール群が局所操作を分担し、長期的タスクを効率的に実行する枠組みを提案した。
原題: Towards Long-horizon Embodied Agents with Tool-Aligned Vision-Language-Action Models / Zixing Lei, Changxing Liu, Yichen Xiong 他
日本語で読む → - 論文VLA/操作ロボティクス
DreamAvoid: 臨界期テストタイムドリーミングによるVLAポリシーの失敗回避
VLAモデルが微細な操作中に失敗する問題に対し、実行が臨界期に入ったかを検出し、複数の候補行動を評価して最適な行動を選択する「テストタイムドリーミング」フレームワークを提案した。
原題: DreamAvoid: Critical-Phase Test-Time Dreaming to Avoid Failures in VLA Policies / Xianzhe Fan, Yuxiang Lu, Shenyuan Gao 他
日本語で読む → - 論文ベンチマーク/VLA/記憶ロボティクス
RoboMemArena:ロボット記憶のための包括的で挑戦的なベンチマーク
ロボットの長期タスクにおける記憶能力を評価するため、26タスク・平均1000ステップ超の大規模ベンチマークRoboMemArenaを構築し、VLMによるサブタスク生成と実世界評価を備えた。さらに、記憶管理と予測符号化を統合したVLAモデルPrediMemを提案し、既存手法を上回る性能を示した。
原題: RoboMemArena: A Comprehensive and Challenging Robotic Memory Benchmark / Huashuo Lei, Wenxuan Song, Huarui Zhang 他
日本語で読む → - 論文VLAロボティクス
VEGA: 空間認識型視覚言語行動モデルのための視覚エンコーダ接地整列
VLAモデルの視覚エンコーダ出力を、3D空間認識を持つDINOv2-FiT3Dの特徴に直接整列させることで、空間認識能力を向上させる軽量なフレームワークを提案。推論時には追加コストなしで性能が向上する。
原題: VEGA: Visual Encoder Grounding Alignment for Spatially-Aware Vision-Language-Action Models / Hao Wang, Xiaobao Wei, Jingyang He 他
日本語で読む → - 論文VLAロボティクス
RePO-VLA: 回復駆動型ポリシー最適化による視覚言語行動モデル
成功軌跡のみの模倣学習では実行時のずれに対処できないため、失敗軌跡を活用して回復行動を学習するフレームワークを提案。成功・回復・失敗の軌跡に役割を割り当て、価値関数で進捗を評価し、ポリシーを改善する。
原題: RePO-VLA: Recovery-Driven Policy Optimization for Vision-Language-Action Models / Weijia Liufu, Xiaoyu Guo, Ruiyi Chen 他
日本語で読む → - 論文VLA/模倣学習ロボティクス
失敗から学ぶ:適応的失敗情報学習による視覚言語行動モデルの強化
失敗軌跡を適応的な負のガイダンスとして利用し、拡散・フローベースのVLAポリシーを学習するフレームワークAFILを提案。成功と失敗のデュアルアクション生成器を共有バックボーンで訓練し、サンプリング時に失敗領域から遠ざけることでロバスト性を向上させる。
原題: Failing Forward: Adaptive Failure-Informed Learning for Vision-Language-Action Models / Meng Zheng, Samhita Marri, Anwesa Choudhuri 他
日本語で読む → - 論文VLA/意思決定ロボティクス
VLA-ATTC: 相対アクション批評モデルによるVLAモデルの適応的テスト時計算
VLAモデルに不確実性に基づく「認知クラッチ」を導入し、複雑な状況でのみ推論フェーズへ切り替える適応的テスト時計算フレームワークを提案。相対比較で最適アクションを選ぶ批評モデルにより、LIBERO-LONGでSOTAの失敗率を50%以上削減した。
原題: VLA-ATTC: Adaptive Test-Time Compute for VLA Models with Relative Action Critic Model / Wenhao Li, Xiu Su, Yichao Cao 他
日本語で読む → - 論文VLA/行動監視ロボティクス
VLAの失敗の仕方はアーキテクチャごとに異なる:ブラックボックス行動監視が明らかにする構造特異的な失敗シグネチャ
VLAアーキテクチャ(VQ-BeT、Diffusion Policy、ACT)がモーターコマンドレベルで異なる失敗パターンを示すことを発見し、アーキテクチャに合わせた監視手法の選択が重要であることを示した。
原題: How VLAs Fail Differently: Black-Box Action Monitoring Reveals Architecture-Specific Failure Signatures / Krishnam Gupta
日本語で読む → - 論文VLAロボティクス
Pelican-Unify 1.0: 理解・推論・想像・行動を統合した身体化基盤モデル
単一のVLMと統一未来生成器を用いて、理解・推論・想像・行動を一つのモデルで統合的に学習・実行する身体化基盤モデルを提案し、各能力のベンチマークで高い性能を達成した。
原題: Pelican-Unify 1.0: A Unified Embodied Intelligence Model for Understanding, Reasoning, Imagination and Action / Yi Zhang, Yinda Chen, Che Liu 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/ロボット制御ロボティクス
視覚言語行動モデルにおける非同期推論手法の理解
VLAモデルの推論遅延による観測の古さ問題を緩和する4つの手法(IT-RTC、TT-RTC、VLASH、A2C2)を統一的コードベースで比較し、各手法の特性と有効性を明らかにした。
原題: Understanding Asynchronous Inference Methods for Vision-Language-Action Models / Ayoub Agouzoul
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 →
PR・アフィリエイト広告
