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/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 → - 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/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/効率化画像認識
SAFE-Pruner: 意味的注意に基づく未来予測型トークンプルーニングによる効率的な視覚言語行動操作
視覚言語行動モデルの推論を高速化するため、将来の層の注意情報を予測して重要でない視覚トークンを刈り込むプラグアンドプレイ手法を提案した。
原題: SAFE-Pruner: Semantic Attention-Guided Future-Aware Token Pruning for Efficient Vision-Language-Action Manipulation / Shilin Ma, Chubin Zhang, Changyuan 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 → - 論文自動運転/VLA/強化学習ロボティクス
MAPLE: 潜在マルチエージェントプレイによるエンドツーエンド自動運転
VLAモデルを閉ループで訓練するため、潜在空間でマルチエージェントのロールアウトを行い、強化学習で安全・進捗・多様性を最適化するフレームワークを提案。外部シミュレータ不要でスケーラブルな閉ループ訓練を実現し、Bench2DriveでSOTAを達成。
原題: MAPLE: Latent Multi-Agent Play for End-to-End Autonomous Driving / Rajeev Yasarla, Deepti Hegde, Hsin-Pai Cheng 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VLAAI
身体化LLMの探求:観測精度の向上が問題解決を妨げる場合
ロボットに組み込んだLLMエージェントの観測情報を変えて実験し、生のRGB入力が最も性能が良く、完全な真値観測では逆に悪化することを発見。シミュレーションでノイズが性能向上に寄与することを示した。
原題: Probing Embodied LLMs: When Higher Observation Fidelity Hurts Problem Solving / Oussama Zenkri, Oliver Brock
日本語で読む → - 論文VLA/操作ロボティクス
IntentVLA:曖昧なロボット操作のための短期的意図モデリング
視覚と言語の観察が似ていても異なる行動を取るマルチモーダルな模倣データに対し、過去の視覚観察を短期的意図として符号化し、行動生成を条件付けるVLAフレームワークを提案。曖昧さを評価するベンチマークAliasBenchも導入し、複数の環境で安定性と性能を向上させた。
原題: IntentVLA: Short-Horizon Intent Modeling for Aliased Robot Manipulation / Shijie Lian, Bin Yu, Xiaopeng Lin 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
RotVLA: 回転潜在アクションを用いた視覚言語行動モデル
連続的な回転群SO(n)上の潜在アクション表現を導入し、離散量子化の問題を解決したVLAモデルを提案。大規模データで事前学習し、下流タスクで高い性能を達成。
原題: RotVLA: Rotational Latent Action for Vision-Language-Action Model / Qiwei Li, Xicheng Gong, Xinghang Li 他
日本語で読む → - 論文VLA/価値学習ロボティクス
凍結VLAがすでに知っている成功の兆候:基盤ロボットポリシーにおける価値様構造の探索研究
凍結したVLAポリシーの特徴表現から、軽量な線形プローブで成功確率を予測できることを示し、それを用いて行動選択を改善した。
原題: What Frozen VLAs Already Know About Success: A Probing Study of Value-Like Structure in Foundation Robot Policies / Jiachen Zhang, Junnan Nie, Junyi Lao 他
日本語で読む → - 論文VLAロボティクス
視覚プリミティブによる行動生成
視覚言語行動モデルにおいて、視覚プリミティブを介して行動生成を行う新しいアーキテクチャを提案し、実ロボットのピックアンドプレースタスクで成功率を大幅に向上させた。
原題: Action with Visual Primitives / Weilong Guo, Yuchen Wang, Renping Zhou 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 → - 論文セキュリティ/VLAロボティクス
ATAAT: 視覚-言語-行動モデルに対するバックドア攻撃を防ぐ適応型脅威認識敵対的チューニングフレームワーク
視覚-言語-行動(VLA)モデルの視覚経路へのバックドア攻撃を研究し、従来手法の失敗原因である「勾配干渉」を解決する適応型フレームワークを提案した。
原題: ATAAT: Adaptive Threat-Aware Adversarial Tuning Framework against Backdoor Attacks on Vision-Language-Action Models / Kewei Chen, Yayu Long, Shuai Li 他
日本語で読む → - 論文VLA/世界モデルロボティクス
GaussianDream: ロボット操作のためのフィードフォワード3Dガウス世界モデル
本論文は、ロボット操作のためのフィードフォワード型3Dガウス世界モデルを提案し、現在の3D空間構造と短期的な未来の進化を捉えることで、行動生成の精度を向上させる。
原題: GaussianDream: A Feed-Forward 3D Gaussian World Model for Robotic Manipulation / Zijian Zhang, Yuqing Jiang, Qian Cheng 他
日本語で読む → - 論文VLA/言語アノテーションロボティクス
ロボットへの指示方法:高密度言語アノテーションがロボットポリシー学習を強化する
デモンストレーションの収集コストを増やさずに、VLMで生成した多面的な高密度言語アノテーションを活用してロボットポリシーの学習を改善する手法を提案した。
原題: How to Instruct Your Robot: Dense Language Annotations Power Robot Policy Learning / Bosung Kim, Ruiyi Wang, David Acuna 他
日本語で読む → - 論文強化学習/VLAロボティクス
配備しながら学習:汎用ロボットポリシーのためのフリート規模強化学習
事前学習済みのVLAポリシーを、ロボットフリートからの実データで継続的に強化学習し、配備中に性能を向上させるフレームワークを提案。16台の二腕ロボットで95%の成功率を達成。
原題: Learning While Deploying: Fleet-Scale Reinforcement Learning for Generalist Robot Policies / Yi Wang, Xinchen Li, Pengwei Xie 他
日本語で読む → - 論文VLA/ロボット操作ロボティクス
Sentinel-VLA: 動的推論とエラー回復のための能動的状態監視を備えたメタ認知VLAモデル
VLAモデルに能動的な状態監視モジュールを追加し、必要時のみ動的推論やエラー回復を行うメタ認知型モデルを提案。自己進化的継続学習と直交アダプタにより性能向上と破滅的忘却防止を実現し、実機で成功率を30%以上向上させた。
原題: Sentinel-VLA: A Metacognitive VLA Model with Active Status Monitoring for Dynamic Reasoning and Error Recovery / Wenhao Li, Xiu Su, Dan Niu 他
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 → - 論文ナビゲーション/VLAロボティクス
ウェイポイントを超えて:クロスエンボディメント意味的ナビゲーションのためのデュアルヒートマップ接地
オープンエンドな意味的指示を物理的に実行可能な局所目標に変換する際、単一点回帰の代わりに到達可能領域と向き制約を表すデュアルヒートマップを予測するVLAフレームワークを提案し、多様なロボットでの性能向上を示した。
原題: Beyond Waypoints: Dual-Heatmap Grounding for Cross-Embodiment Semantic Navigation / Kaijie Yun, Yue Chen
日本語で読む → - 論文VLA/幾何理解画像認識
幾何基盤モデルが視覚言語行動モデルに与える影響の理解
視覚言語行動モデル(VLA)と3D再構成のための幾何基盤モデル(GFM)の統合について、VLAの幾何理解の欠如を線形プロービングで定量化し、幾何情報を注入する3つのアーキテクチャを比較、さらに非アーキテクチャ的選択の影響を分析した。
原題: Understanding the Impact of Geometric Foundation Models on Vision-Language-Action Models / Yurou Yang, Muyuan Lin, Roberto Martin-Martin 他
日本語で読む → - 論文VLA/ナビゲーション画像認識
SpaAct: 空間活性化遷移学習とカリキュラム適応による視覚言語ナビゲーション
視覚言語ナビゲーション(VLN)のためのVLM適応フレームワークSpaActを提案。後方行動推論と前方遷移予測の2つの空間活性化タスクと、TriPAカリキュラム学習により動的空間認識を獲得し、VLN-CEベンチマークでSOTAを達成。
原題: SpaAct: Spatially-Activated Transition Learning with Curriculum Adaptation for Vision-Language Navigation / Pengna Li, Kangyi Wu, Shaoqing Xu 他
日本語で読む → - 論文VLA画像認識
幾何学的報酬クレジット割当によるPoint-VLMの3D理解の強化
点群と言語を扱うモデルが3D構造を誤って幻覚する問題を、報酬をトークン単位に分解して割り当てる手法と再投影整合性の制約で改善した論文。
原題: Reinforcing 3D Understanding in Point-VLMs via Geometric Reward Credit Assignment / Jingkun Chen, Ruoshi Xu, Mingqi Gao 他
日本語で読む → - 論文VLA/セキュリティ画像認識
「サインを待っているなら…それは違うかも!」視覚注入による信頼境界の混乱を軽減するビジョン言語エージェントシステムの防御
ビジョン言語エージェントが環境の視覚情報(例:信号)に従うべきか、悪意ある視覚注入を無視すべきかの「信頼境界の混乱」問題を定義し、マルチエージェント防御フレームワークを提案して誤誘導を低減した。
原題: If you're waiting for a sign... that might not be it! Mitigating Trust Boundary Confusion from Visual Injections on Vision-Language Agentic Systems / Jiamin Chang, Minhui Xue, Ruoxi Sun 他
日本語で読む → - 論文VLA画像認識
具現化ミッドトレーニング:視覚言語モデルと視覚言語行動モデルのギャップを埋める
視覚言語モデル(VLM)をロボット行動データに適応させる中間学習手法を提案し、操作ベンチマークで性能向上を確認した。
原題: EmbodiedMidtrain: Bridging the Gap between Vision-Language Models and Vision-Language-Action Models via Mid-training / Yiyang Du, Zhanqiu Guo, Xin Ye 他
日本語で読む → - 論文VLA画像認識
身体化エージェントのための環境理解ビジョン言語モデル
身体化エージェントの指示追従性能を高めるため、物体認識・タスク計画・行動理解・目標認識の4技能を微調整した環境理解フレームワークを提案し、失敗時の回復ステップとGRPOによる最適化で成功率を向上させた。
原題: Environmental Understanding Vision-Language Model for Embodied Agent / Jinsik Bang, Jaeyeon Bae, Donggyu Lee 他
日本語で読む → - 論文VLA/エージェント基盤画像認識
ABot-Claw: 持続的・協調的・自己進化型ロボットエージェントの基盤
OpenClawを拡張し、異種ロボットの協調、視覚中心のマルチモーダル記憶、批評家ベースの閉ループフィードバックを統合することで、実世界での長期的・自己進化的なロボットエージェントを実現する基盤を提案した。
原題: ABot-Claw: A Foundation for Persistent, Cooperative, and Self-Evolving Robotic Agents / Dongjie Huo, Haoyun Liu, Guoqing Liu 他
日本語で読む → - 論文VLA画像認識
EgoTL: 長時間タスクのための自己中心視点シンクアラウド連鎖
自己中心視点のデータに、発話と行動のタイムスタンプ付き思考連鎖とメートルスケールの空間情報を付与するパイプラインを構築し、VLMやワールドモデルの評価・微調整を行う。
原題: EgoTL: Egocentric Think-Aloud Chains for Long-Horizon Tasks / Lulin Liu, Dayou Li, Yiqing Liang 他
日本語で読む → - 論文VLA画像認識
HY-Embodied-0.5: 実世界エージェントのための具現化基盤モデル
実世界の具現化エージェント向けに設計された基盤モデル群を提案し、空間・時間的視覚知覚と推論能力を強化した。
原題: HY-Embodied-0.5: Embodied Foundation Models for Real-World Agents / Tencent Robotics X, HY Vision Team, : 他
日本語で読む →
PR・アフィリエイト広告
