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
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/展開ロボティクス
工場フロアでのVLAパイプライン展開事例研究:産業用包装タスクにおけるワークフロー、失敗、教訓
産業用包装タスクで事前学習済みVLAポリシーを工場現場に適応させる実践的な取り組みを報告し、反復的な微調整と展開駆動の改善を通じて得られた失敗モードと教訓をまとめた。
原題: A Factory-Floor Deployment Case Study of VLA Pipelines for Industrial Packaging Task: Workflow, Failures, and Lessons / Brian Zhu, Philipp Schmitt, Philine Meister 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/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/汎化ロボティクス
VLA-Pro: 視覚言語行動モデルのためのクロスタスク手続き記憶転送
タスク固有のLoRAアダプタを手続き記憶として保存し、推論時に現在のマルチモーダル文脈に基づいて関連記憶を検索・融合することで、未見タスクへの汎化を向上させるプラグアンドプレイフレームワークを提案した。
原題: VLA-Pro: Cross-Task Procedural Memory Transfer for Vision-Language-Action Models / Shengyu Si, Yuanzhuo Lu, Ruimeng Yang 他
日本語で読む → - 論文VLA/表現学習ロボティクス
DynaFLIP:三モーダル動力学誘導表現によるロボット知覚の再考
画像と言語と3Dフローを組み合わせた動力学認識の事前学習フレームワークを提案し、ロボット操作のための視覚表現を向上させた。
原題: DynaFLIP: Rethinking Robotics Perception via Tri-Modal-Dynamics Guided Representation / Jusuk Lee, Seungjae Lee, Jonghun Shin 他
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 → - 論文自動運転/VLA画像認識
逆運動学による運転VLAの接地
運転VLAの軌道予測が視覚トークンを無視する問題を、逆運動学の観点から再設計し、将来の視覚状態予測と専用の逆運動学ネットワークを導入することで、小規模モデルでも大規模VLAに匹敵する性能を達成した。
原題: Grounding Driving VLA via Inverse Kinematics / Junsung Park, Hyunjung Shim
日本語で読む → - 論文VLAロボティクス
「イエスマン症候群」:身体化ロボットエージェントにおける棄権のベンチマーキング
身体化ロボットのための視覚言語モデルが、曖昧・物理的に不可能・誤った前提に基づく指示を認識して棄権する能力を評価するベンチマーク「RoboAbstention」を提案した。
原題: The Yes-Man Syndrome: Benchmarking Abstention in Embodied Robotic Agents / Doguhan Yeke, Elif Su Temirel, Ananth Shreekumar 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画像認識
GEM-4D: ロボット操作のための幾何学強化ビデオワールドモデル
ビデオ生成モデルに4次元対応関係の教師信号を注入し、外観と幾何構造を同時に学習させることで、物理的に一貫した未来予測とロボット操作への直接適用を可能にした。
原題: GEM-4D: Geometry-Enhanced Video World Models for Robot Manipulation / Kaichen Zhou, Yuzhen Chen, Fangneng Zhan 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画像認識
TriRelVLA: 汎化可能な身体化操作のための三者関係構造
視覚言語行動モデルの汎化性を高めるため、物体・手・タスクの三者関係を明示的に表現し、関係性に基づいて行動生成を行うフレームワークを提案した。
原題: TriRelVLA: Triadic Relational Structure for Generalizable Embodied Manipulation / Hanyu Zhou, Chuanhao Ma, Gim Hee Lee
日本語で読む → - 論文VLAロボティクス
適応を資産へ変える:オンライン視覚言語ナビゲーションのためのクロスドメインブリッジング
非定常な環境変化に直面する視覚言語ナビゲーションエージェントのオンライン適応において、適応を一時的な更新ではなく資産の蓄積と合成として捉える新しいTTAフレームワークIDEAを提案し、忘却や負の転移を防ぎつつ、学習不要の適応を実現する。
原題: Turning Adaptation into Assets: Cross-Domain Bridging for Online Vision-Language Navigation / Zixuan Hu, Xuantuo Huang, Yancheng Li 他
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 → - 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ロボティクス
ProgVLA: 進捗を考慮したロボット操作スキル学習
計算・メモリ制約下で信頼性の高い操作を実現する、タスク進捗の明示表現を持つコンパクトなVLAモデルを提案。長いマルチモーダル系列を効率的に処理し、進捗ヘッドによるRL訓練で長期的タスク成功率を向上させる。
原題: ProgVLA: Progress-Aware Robot Manipulation Skill Learning / Seungsu Kim, Jinyoung Choi, Seungmin Baek 他
日本語で読む → - 論文VLAロボティクス
X-DiffVLA: クロスエンボディ拡散行動ヘッドを備えた視覚言語行動モデル
異なるエンドエフェクタを持つロボット間で知識を転移できる拡散ベースのVLAモデルを提案し、エンボディフォーシングと形態学的ツリー拡散により性能を向上させた。
原題: X-DiffVLA: X-Embodied Diffusion Action Heads for Vision-Language-Action Models / Boyu Li, Chaoyi Xu, Haoqi Yuan 他
日本語で読む → - 論文VLAロボティクス
MolmoAct2: 実世界展開のための行動推論モデル
実世界展開に適した完全オープンな行動推論モデルMolmoAct2を提案し、空間推論に特化したVLMバックボーン、新しいデータセット、オープンな行動トーカナイザ、適応的推論機構などを導入して性能と効率を向上させた。
原題: MolmoAct2: Action Reasoning Models for Real-world Deployment / Haoquan Fang, Jiafei Duan, Donovan Clay 他
日本語で読む → - 論文VLAロボティクス
PointACT: マルチスケール点群アクション相互作用を備えた視覚言語行動モデル
ロボット操作のための視覚言語行動モデルに、階層的な3D点群表現を統合し、アクション生成時に局所的な幾何学と大域的なシーン構造を考慮できるようにした。LIBEROとRLBenchで性能が向上した。
原題: PointACT: Vision-Language-Action Models with Multi-Scale Point-Action Interaction / Shizhe Chen, Paul Pacaud, Cordelia Schmid
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 → - 論文自動運転/VLA/ロバスト性cs.CR
ReasonBreak: 自動運転向け推論対応VLAモデルの脆弱性探査
自動運転用の推論機能付き視覚言語行動(VLA)モデルが、現実的な入力摂動に対して脆弱であることを示し、最大89%の推論攻撃成功率と72%の軌道操作成功率を報告した。
原題: ReasonBreak: Probing Vulnerabilities in Reasoning-Enabled Vision-Language-Action Models for Autonomous Driving / Mohammadreza Teymoorianfard, Jean-Philippe Monteuuis, Jonathan Petit 他
日本語で読む → - 論文自動運転/VLAロボティクス
SafeAlign-VLA: リスク認識型自動運転のための負例強化安全整合フレームワーク
自動運転向けVLAモデルに負例(危険シナリオ)を活用した安全整合フレームワークを提案し、カウンターファクチュアルな軌道生成とグループ相対方策最適化により衝突率を低減した。
原題: SafeAlign-VLA: A Negative-Enhanced Safe Alignment Framework for Risk-Aware Autonomous Driving / Kefei Tian, Yuansheng Lian, Kai Yang 他
日本語で読む → - 論文VLA/強化学習ロボティクス
Feat2Go: 視覚特徴に基づく価値推定による身体化強化学習
事前学習済み視覚世界モデルから得た段階的進捗目標を価値モデルで予測し、終端報酬を整形することでVLAモデルの強化学習を改善するフレームワークを提案。
原題: Feat2Go: Visual Feature-Grounded Value Estimation for Embodied Reinforcement Learning / Junyang Shu, Zhiwei Lin, Bingqing Wei 他
日本語で読む → - 論文VLA/ベンチマークロボティクス
VLA-REPLICA: 実世界での視覚言語行動モデル評価のための低コストで再現可能なベンチマーク
低コストで再現可能な実世界ベンチマークを提案し、VLAモデルの評価を標準化する。
原題: VLA-REPLICA: A Low-Cost, Reproducible Benchmark for Real-World Evaluation of Vision-Language-Action Models / Alex S. Huang, Jiahui Zhang, Shiqing Tang 他
日本語で読む →
PR・アフィリエイト広告
