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: 2026/4/5 / 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/アンラーニング画像認識
VLA-Forget:身体化基盤モデルのための視覚言語行動アンラーニング
ロボット操作のためのVLAモデルから、安全でない・スプリアス・プライバシー関連の行動を除去するアンラーニング手法を提案。知覚・言語・行動の各層を段階的に更新し、不要な知識を忘れつつ有用な能力を保持する。
原題: VLA-Forget: Vision-Language-Action Unlearning for Embodied Foundation Models / Ravi Ranjan, Agoritsa Polyzou
日本語で読む → - 論文VLA画像認識
身体化AIのための加法的合成潜在行動の学習
視覚遷移から潜在行動を学習する際に、物理運動の加法的・合成的構造を強制するモデルAC-LAMを提案し、下流のポリシー学習の性能を向上させた。
原題: Learning Additively Compositional Latent Actions for Embodied AI / Hangxing Wei, Xiaoyu Chen, Chuheng Zhang 他
日本語で読む → - 論文VLA画像認識
LatentUM: 潜在空間統合モデルによるインターリーブ型クロスモーダル推論の可能性を解き放つ
視覚理解と生成を共通の潜在空間で表現する統合モデルLatentUMを提案し、ピクセル空間を介さずに柔軟なクロスモーダル推論と生成を実現した。
原題: LatentUM: Unleashing the Potential of Interleaved Cross-Modal Reasoning via a Latent-Space Unified Model / Jiachun Jin, Zetong Zhou, Xiao Yang 他
日本語で読む → - 論文VLA/操作ロボティクス
Goal2Skill: 適応的計画と内省による長期的操作
長期的な操作タスクを高レベルの計画と低レベルの実行に分離した二重システムフレームワークを提案し、記憶と適応的再計画を実現して成功率を大幅に向上させた。
原題: Goal2Skill: Long-Horizon Manipulation with Adaptive Planning and Reflection / Zhen Liu, Xinyu Ning, Zhe Hu 他
日本語で読む → - 論文VLA/量子化ロボティクス
ドリフト対応ポストトレーニング量子化による効率的な視覚言語行動モデル
視覚言語行動モデル(VLA)の量子化時に生じる時間的誤差蓄積による動作ドリフトを解決するため、ドリフト対応PTQ(DA-PTQ)を提案。クロススペース表現補償と動作駆動混合精度割り当てにより、低ビットでも高精度な制御を実現。
原題: DA-PTQ: Drift-Aware Post-Training Quantization for Efficient Vision-Language-Action Models / Siyuan Xu, Tianshi Wang, Fengling Li 他
日本語で読む → - 論文VLAロボティクス
文法制約付き大規模言語モデルによる精密なロボットコマンド理解
産業用ロボットの安全な操作のために、文法制約を組み込んだLLMを提案し、自然言語入力をロボット実行可能なJSON形式のコマンドに変換する。
原題: Precise Robot Command Understanding Using Grammar-Constrained Large Language Models / Xinyun Huo, Raghav Gnanasambandam, Xinyao Zhang
日本語で読む → - 論文VLAAI
PRTS: 対比表現を用いたプリミティブ推論とタスク実行システム
視覚言語行動モデルを、教師あり模倣学習ではなく目標条件付き強化学習として再構成し、言語指示を目標として扱うことで、物理的な到達可能性を評価する統一埋め込み空間を学習する基盤モデルを提案した。
原題: PRTS: A Primitive Reasoning and Tasking System via Contrastive Representations / Yang Zhang, Jiangyuan Zhao, Chenyou Fan 他
日本語で読む → - 論文VLA/触覚/マニピュレーションロボティクス
視覚言語行動モデルへの物理フィードバック統合のためのモジュール型感覚ストリーム
視覚言語行動モデル(VLA)に触覚やトルクなどの複数の物理センサ信号を統合するモジュール型フレームワークを提案し、実世界実験で性能向上を実証した。
原題: Modular Sensory Stream for Integrating Physical Feedback in Vision-Language-Action Models / Jimin Lee, Huiwon Jang, Myungkyu Koo 他
日本語で読む → - 論文VLA/基盤モデル画像認識
XEmbodied: 大規模具現環境向けに幾何・物理的手がかりを強化した基盤モデル
クラウド側でVLMに3次元幾何認識と物理的手がかりを統合し、空間推論や具現化タスクの性能を向上させる基盤モデルを提案した。
原題: XEmbodied: A Foundation Model with Enhanced Geometric and Physical Cues for Large-Scale Embodied Environments / Kangan Qian, ChuChu Xie, Yang Zhong 他
日本語で読む → - 論文VLA/強化学習機械学習
RLトークン:視覚言語行動モデルを用いたオンライン強化学習のブートストラップ
事前学習済みの視覚言語行動モデル(VLA)にRLトークンと呼ばれる小型の表現を追加し、その上で強化学習を行うことで、実ロボット上で数時間の練習だけで効率的に微調整できる手法を提案した。
原題: RL Token: Bootstrapping Online RL with Vision-Language-Action Models / Charles Xu, Jost Tobias Springenberg, Michael Equi 他
日本語で読む → - 論文VLA/操作画像認識
HiVLA: 視覚基盤中心の階層型身体化操作システム
高レベルの意味的計画と低レベルの運動制御を分離した階層型VLAシステムを提案し、VLMの推論能力を保ちつつ、拡散トランスフォーマーによる行動生成で長期的なスキル合成と細かい操作を向上させた。
原題: HiVLA: A Visual-Grounded-Centric Hierarchical Embodied Manipulation System / Tianshuo Yang, Guanyu Chen, Yutian Chen 他
日本語で読む → - 論文VLAロボティクス
PokeVLA: 包括的な世界知識の指導によるポケットサイズの視覚言語行動モデルの強化
この論文は、ロボット操作のための軽量な視覚言語行動モデルPokeVLAを提案し、2段階のトレーニングと新しいアクションエキスパートにより、LIBERO-Plusベンチマークと実世界で高い性能を達成した。
原題: PokeVLA: Empowering Pocket-Sized Vision-Language-Action Model with Comprehensive World Knowledge Guidance / Yupeng Zheng, Xiang Li, Songen Gu 他
日本語で読む → - 論文全身操作/VLAロボティクス
HEX: 人間型アライメント専門家によるクロスエンボディ全身操作
全身協調操作を実現するため、人間型ロボットに特化した状態中心フレームワークHEXを提案。多様な身体構造に適用可能な状態表現と、全身協調と時間的運動ダイナミクスをモデル化する専門家混合機構を導入し、実機での操作成功率と汎化性能を向上させた。
原題: HEX: Humanoid-Aligned Experts for Cross-Embodiment Whole-Body Manipulation / Shuanghao Bai, Meng Li, Xinyuan Lv 他
日本語で読む → - 論文自動運転/VLA画像認識
UniDriveVLA:自動運転のための理解・知覚・行動計画の統合
自動運転向けのVLAモデルにおいて、空間知覚と意味推論の競合を解消するため、Mixture-of-Transformersによる専門家分離を導入した統合モデルUniDriveVLAを提案し、nuScenesとBench2Driveで最先端性能を達成した。
原題: UniDriveVLA: Unifying Understanding, Perception, and Action Planning for Autonomous Driving / Yongkang Li, Lijun Zhou, Sixu Yan 他
日本語で読む → - 論文VLAロボティクス
前方・逆動力学の事前学習分離によるロボット学習の非絡み合い化
視覚と言語・行動の予測を分離し、前方動力学モデルと逆動力学モデルを別々に事前学習してから統合するフレームワークDeFIを提案し、CALVINやSimplerEnvなどのベンチマークで最先端性能を達成した。
原題: Disentangled Robot Learning via Separate Forward and Inverse Dynamics Pretraining / Wenyao Zhang, Bozhou Zhang, Zekun Qi 他
日本語で読む → - 論文VLA/3D推論画像認識
3D-VCD: 視覚的対照デコードによる3D-LLM具現化エージェントの幻覚抑制
3D環境で動作する大規模マルチモーダルモデルの幻覚を抑えるため、3Dシーングラフに摂動を加えて対照デコードする初の推論時手法を提案した。
原題: 3D-VCD: Hallucination Mitigation in 3D-LLM Embodied Agents through Visual Contrastive Decoding / Makanjuola Ogunleye, Eman Abdelrahman, Ismini Lourentzou
日本語で読む → - 論文VLAロボティクス
Libra-VLA: 非同期の粗密デュアルシステムによる学習均衡の実現
VLAモデルを粗い意図予測と細かい動作生成の2段階に分離し、学習負荷の均衡と非同期実行を実現する新しいアーキテクチャを提案した。
原題: Libra-VLA: Achieving Learning Equilibrium via Asynchronous Coarse-to-Fine Dual-System / Yifei Wei, Linqing Zhong, Yi Liu 他
日本語で読む → - 論文VLA/モデル圧縮cs.MM
2Dか3Dか:VLAモデルにおける顕著性を支配するのはどちらか?--モダリティ顕著性を考慮した三段階トークンプルーニングフレームワーク
マルチビジュアルモーダルVLAモデル向けに、2D/3Dモダリティの顕著性差を分析し、三段階のトークンプルーニング手法を提案。最大2.55倍の推論高速化を実現。
原題: 2D or 3D: Who Governs Salience in VLA Models? -- Tri-Stage Token Pruning Framework with Modality Salience Awareness / Zihao Zheng, Sicheng Tian, Zhihao Mao 他
日本語で読む → - 論文VLA/世界モデルロボティクス
非同期ノイズ除去によるビデオ事前学習を活用した統合4D世界行動モデリング
ロボットのリアルタイム行動実行と高忠実度な4D世界生成(ビデオ+3D再構成)を単一フレームワークで統合するX-WAMを提案し、非同期ノイズサンプリングにより行動効率と生成品質を両立した。
原題: Unified 4D World Action Modeling from Video Priors with Asynchronous Denoising / Jun Guo, Qiwei Li, Peiyan Li 他
日本語で読む → - 論文VLA画像認識
LARY: 汎用視覚-行動対応のための潜在行動表現ベンチマーク
人間の行動ビデオから学習した潜在行動表現の能力を評価する統一ベンチマークを構築し、汎用視覚基盤モデルが専門の潜在行動モデルより優れ、潜在空間が物理行動空間とより良く整合することを示した。
原題: LARY: A Latent Action Representation Yielding Benchmark for Generalizable Vision-to-Action Alignment / Dujun Nie, Fengjiao Chen, Qi Lv 他
日本語で読む → - 論文VLA/推論高速化画像認識
VLA-InfoEntropy: 学習不要の視覚注意情報エントロピーによるVLAモデルの推論高速化と成功率向上
視覚言語行動(VLA)モデルの推論を高速化するため、画像エントロピーと注意エントロピーを用いて重要領域を動的に選択し、冗長な視覚情報を削減する手法を提案した。
原題: VLA-InfoEntropy: A Training-Free Vision-Attention Information Entropy Approach for Vision-Language-Action Models Inference Acceleration and Success / Chuhang Liu, Yayun He, Zuheng Kang 他
日本語で読む → - 論文VLAロボティクス
BrainMem: 身体性エージェントのタスク計画のための脳に着想を得た進化する記憶
人間の認知に着想を得た、訓練不要の階層的記憶システムを提案し、エージェントの過去の経験を知識グラフと記号的ガイドラインに変換して、LLMベースのプランナーが長期的なタスクをより成功させることを実証した。
原題: BrainMem: Brain-Inspired Evolving Memory for Embodied Agent Task Planning / Xiaoyu Ma, Lianyu Hu, Wenbing Tang 他
日本語で読む → - 論文VLAロボティクス
VAG: 身体化データ合成のためのデュアルストリーム動画-行動生成
ロボットの基盤モデル学習用に、動画と行動を同時生成する統一フレームワークVAGを提案。動画と行動の整合性を高め、合成データでポリシーの汎化性能を向上させる。
原題: VAG: Dual-Stream Video-Action Generation for Embodied Data Synthesis / Xiaolei Lang, Yang Wang, Yukun Zhou 他
日本語で読む → - 論文VLA/操作ロボティクス
移動してから操作する:人間らしいロボット操作のための行動フェーズ分割
ロボット操作を粗い移動フェーズと接触が重要な操作フェーズに分離するVLAフレームワークを提案し、RoboTwin2ベンチマークで従来手法より高い成功率を達成した。
原題: Move-Then-Operate: Behavioral Phasing for Human-Like Robotic Manipulation / Haoming Xu, Lei Lei, Jie Gu 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具現化推論の幻想を暴く
標準ベンチマークの成功率と真の具現化推論能力の乖離を検証するため、因果介入と運動学的分離を用いた診断ベンチマークBeTTERを導入し、最先端VLAモデルが動的シナリオで重大な失敗を起こすことを実証した。
原題: Unmasking the Illusion of Embodied Reasoning in Vision-Language-Action Models / Haiweng Xu, Sipeng Zheng, Hao Luo 他
日本語で読む → - 論文セキュリティ/VLA画像認識
FlowHijack: フローマッチング型視覚言語行動モデルに対する動力学を考慮したバックドア攻撃
フローマッチング型VLAモデルのベクトル場動力学を標的とした初のバックドア攻撃フレームワークを提案し、ステルス性の高いトリガーで高い攻撃成功率を達成した。
原題: FlowHijack: A Dynamics-Aware Backdoor Attack on Flow-Matching Vision-Language-Action Models / Xinyuan An, Tao Luo, Gengyun Peng 他
日本語で読む → - 論文VLAロボティクス
CorridorVLA: スパースアンカーによる生成アクションヘッドへの明示的な空間制約
VLAモデルにスパースな空間アンカーを導入し、許容領域を明示的に課すことでアクション生成を改善する手法を提案。LIBEROベンチマークで性能が向上した。
原題: CorridorVLA: Explicit Spatial Constraints for Generative Action Heads via Sparse Anchors / Dachong Li, ZhuangZhuang Chen, Jin Zhang 他
日本語で読む → - 論文VLAロボティクス
KITE: キーフレーム索引付きトークン化証拠によるVLMベースのロボット故障解析
ロボットの長時間実行ビデオを、動きの重要なキーフレームと鳥瞰図表現に凝縮し、視覚言語モデル(VLM)で故障検出・特定・説明・修正を行うトレーニング不要のフロントエンドを提案した。
原題: KITE: Keyframe-Indexed Tokenized Evidence for VLM-Based Robot Failure Analysis / Mehdi Hosseinzadeh, King Hang Wong, Feras Dayoub
日本語で読む → - 論文VLAロボティクス
世界-価値-行動モデル:視覚言語行動システムのための暗黙的プランニング
視覚言語行動(VLA)モデルに、将来の軌跡の潜在表現を学習し、価値関数で評価することで暗黙的プランニングを可能にする統一フレームワークを提案した。
原題: World-Value-Action Model: Implicit Planning for Vision-Language-Action Systems / Runze Li, Hongyin Zhang, Junxi Jin 他
日本語で読む → - 論文VLA/計画ロボティクス
意味的に汎化可能な計画のための接地された世界モデル
視覚と言語を整合させた潜在空間で世界モデルを学習し、行動の将来結果とタスク指示の類似度で行動を評価するMPC手法を提案。未見の視覚信号や指示表現を含むベンチマークで従来のVLAを大幅に上回る汎化性能を示した。
原題: Grounded World Model for Semantically Generalizable Planning / Quanyi Li, Lan Feng, Haonan Zhang 他
日本語で読む →
PR・アフィリエイト広告
