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: 2026/4/1 / 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
StarVLA: 視覚言語行動モデル開発のためのレゴ風コードベース
VLA研究の断片化を解消するため、モジュール式のバックボーン・アクションヘッド構造と統一評価インターフェースを備えたオープンソースコードベースStarVLAを提案した。
原題: StarVLA: A Lego-like Codebase for Vision-Language-Action Model Developing / StarVLA Community
日本語で読む → - 論文VLA/不確実性推定ロボティクス
ReconVLA: 不確実性ガイドと失敗認識を備えたロボット制御用ビジョン・言語・行動フレームワーク
事前学習済みVLAモデルの行動予測にコンフォーマル予測を適用し、校正された不確実性推定と失敗検出を実現するフレームワークを提案。再学習なしで信頼性を向上させる。
原題: ReconVLA: An Uncertainty-Guided and Failure-Aware Vision-Language-Action Framework for Robotic Control / Lingling Chen, Zongyao Lyu, William J. Beksi
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/自律システムロボティクス
SpaceMind: 軌道上サービス自律化のためのモジュール型自己進化型身体化視覚言語エージェントフレームワーク
軌道上サービスを自律化するため、視覚センサーで知覚し3D空間を推論するモジュール型・自己進化型のVLMエージェントフレームワークを提案し、シミュレーションと実機で検証した。
原題: SpaceMind: A Modular and Self-Evolving Embodied Vision-Language Agent Framework for Autonomous On-orbit Servicing / Aodi Wu, Haodong Han, Xubo Luo 他
日本語で読む → - 論文VLA画像認識
アクションイメージ:マルチビュー動画生成によるエンドツーエンド方策学習
ロボットの7自由度動作をピクセルに接地したアクション動画として表現し、動画生成モデル自体を方策として用いる統一的な世界行動モデルを提案した。RLBenchと実機評価で高いゼロショット成功率を達成した。
原題: Action Images: End-to-End Policy Learning via Multiview Video Generation / Haoyu Zhen, Zixian Gao, Qiao Sun 他
日本語で読む → - 論文VLAロボティクス
ST-π: ロボット操作のための構造化時空間VLAモデル
視覚・言語・行動モデルに時空間の明示的な構造化を導入し、サブタスクと空間・時間の接地を計画するVLMと、それに基づき行動を生成する専門家モジュールを組み合わせたロボット操作モデルを提案した。
原題: ST-$\pi$: Structured SpatioTemporal VLA for Robotic Manipulation / Chuanhao Ma, Hanyu Zhou, Shihan 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
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 → - 論文VLA/タスク実行ロボティクス
オープンワールドタスク実行におけるVLAエージェントの長期記憶
化学実験自動化のための二層メモリと将来状態予測を備えたVLAベースのフレームワークChemBotを提案し、長期的なタスク成功率を向上させた。
原題: Long-Term Memory for VLA-based Agents in Open-World Task Execution / Xu Huang, Weixin Mao, Yinhao Li 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/記憶/ナビゲーションロボティクス
EmbodiedLGR: ロボットエージェントのための軽量グラフ表現と検索を統合した意味空間メモリ
ロボットが環境の記憶を効率的に構築・検索できるよう、視覚言語モデルを用いて物体の位置情報をグラフに、シーンの高レベル記述を検索アーキテクチャに格納するハイブリッド手法を提案した。NaVQAデータセットで最先端の推論・問い合わせ時間を達成した。
原題: EmbodiedLGR: Integrating Lightweight Graph Representation and Retrieval for Semantic-Spatial Memory in Robotic Agents / Paolo Riva, Leonardo Gargani, Matteo Frosi 他
日本語で読む → - 論文VLAAI
Rule-VLN:意味推論と幾何補正による知覚とコンプライアンスの橋渡し
ルール遵守ナビゲーションのための大規模都市ベンチマークRule-VLNを構築し、事前学習済みエージェントに安全意識を付与するゼロショットモジュールSNRMを提案した。
原題: Rule-VLN: Bridging Perception and Compliance via Semantic Reasoning and Geometric Rectification / Jiawen Wen, Penglei Sun, Wenjie Zhang 他
日本語で読む → - 論文VLA/ポストトレーニングロボティクス
Hi-WM: 人間参加型ワールドモデルによるロボットポストトレーニングのスケーラブル化
実世界での介入を必要とせず、学習したワールドモデル内で人間が修正行動を提供することで、失敗箇所に集中したポリシー改善を実現するポストトレーニング手法を提案。実機操作タスクで成功率を大幅に向上させた。
原題: Hi-WM: Human-in-the-World-Model for Scalable Robot Post-Training / Yaxuan Li, Zhongyi Zhou, Yefei Chen 他
日本語で読む → - 論文VLAロボティクス
マスク世界モデル:ロバストなロボット政策学習のための重要要素予測
動画生成事前学習に基づく世界モデルがロボット政策学習に有望だが、RGB予測は背景や照明などの無関係な要素に過適合しがち。本論文では、ピクセルではなくセマンティックマスクの進化を予測するマスク世界モデル(MWM)を提案し、幾何学的情報ボトルネックにより物理ダイナミクスと接触関係を捉えつつ視覚ノイズを除去。拡散ベースの政策ヘッドと統合し、LIBEROやRLBenchでSOTAを達成し、実世界実験でもロバスト性を示した。
原題: Mask World Model: Predicting What Matters for Robust Robot Policy Learning / Yunfan Lou, Xiaowei Chi, Xiaojie Zhang 他
日本語で読む → - 論文VLA/操作ロボティクス
開ループ計画、閉ループ検証:VLAのための投機的検証
VLAモデルの高コストな推論を効率化するため、重いVLAで低頻度に行動チャンクを計画し、軽量な検証器が最新観測に基づいて実行を監視・必要時のみ再計画するフレームワークSV-VLAを提案した。
原題: Open-Loop Planning, Closed-Loop Verification: Speculative Verification for VLA / Zihua Wang, Zhitao Lin, Ruibo Li 他
日本語で読む → - 論文VLA機械学習
明示的な物理的実現可能性はVLA学習に有効か?実証研究
拡散型VLAポリシーの訓練に幾何学的な実現可能性の監視を追加し、障害物回避操作タスクで物理的信頼性と性能が向上することを実証した。
原題: Can Explicit Physical Feasibility Benefit VLA Learning? An Empirical Study / Yubai Wei, Chen Wu, Hashem Haghbayan
日本語で読む → - 論文VLAロボティクス
STRONG-VLA: マルチモーダル摂動下での視覚言語行動モデルの分離型ロバスト性学習
視覚と言語の両方に摂動が加わる状況で脆弱なVLAモデルに対し、ロバスト性獲得とタスク忠実性の回復を分離した2段階の微調整フレームワークを提案し、LIBEROベンチマークで成功率を大幅に向上させた。
原題: STRONG-VLA: Decoupled Robustness Learning for Vision-Language-Action Models under Multimodal Perturbations / Yuhan Xie, Yuping Yan, Yunqi Zhao 他
日本語で読む → - 論文VLA/操作ロボティクス
STARRY: ロボット操作のための時空間アクション中心世界モデル
将来の時空間予測とアクション生成を統一拡散プロセスで統合し、幾何学的注意変調により3次元制御を強化する世界モデル拡張型VLAポリシーを提案。
原題: STARRY: Spatial-Temporal Action-Centric World Modeling for Robotic Manipulation / Yuxuan Tian, Yurun Jin, Bin Yu 他
日本語で読む → - 論文VLA/マニピュレーションロボティクス
AnySlot: ゼロショットのスロット配置のための目標条件付き視覚言語行動ポリシー
言語指示による精密な物体配置を実現するため、言語を視覚的な目標マーカーに変換し、目標条件付きVLAポリシーで実行する階層的フレームワークを提案。また、スロット配置の評価用ベンチマークSlotBenchも導入。
原題: AnySlot: Goal-Conditioned Vision-Language-Action Policies for Zero-Shot Slot-Level Placement / Zhaofeng Hu, Sifan Zhou, Qinbo Zhang 他
日本語で読む → - 論文VLA/不確実性キャリブレーションロボティクス
逐次タスクにおける時間差キャリブレーション:視覚-言語-行動モデルへの応用
逐次タスクにおける不確実性キャリブレーションを扱い、時間差価値推定を用いてVLAモデルの信頼度を校正する手法を提案・検証した論文。
原題: Temporal Difference Calibration in Sequential Tasks: Application to Vision-Language-Action Models / Shelly Francis-Meretzki, Mirco Mutti, Yaniv Romano 他
日本語で読む → - 論文VLA/サーベイロボティクス
ロボティクスにおける視覚-言語-行動モデル:データセット、ベンチマーク、データエンジンの調査
視覚-言語-行動(VLA)モデルの進歩はデータ基盤に依存するとし、データセット、ベンチマーク、データエンジンの3つの柱に沿ってデータ中心の分析を行い、今後の課題を整理したサーベイ論文。
原題: Vision-Language-Action in Robotics: A Survey of Datasets, Benchmarks, and Data Engines / Ziyao Wang, Bingying Wang, Hanrong Zhang 他
日本語で読む → - 論文VLAロボティクス
A1: 完全透過型オープンソースの適応的かつ効率的なトランケート型視覚言語行動モデル
低コストで高スループットな推論を実現するため、事前学習済みVLMと適応的早期終了・層間トランケートフローマッチングを導入したVLAモデルA1を提案し、シミュレーションと実機でSOTA性能と推論コスト削減を達成した。
原題: A1: A Fully Transparent Open-Source, Adaptive and Efficient Truncated Vision-Language-Action Model / Kaidong Zhang, Jian Zhang, Rongtao Xu 他
日本語で読む → - 論文VLA/エッジ展開/高速化ロボティクス
XPU上でのVision-Language-Actionモデルの特性評価:オンボット展開のための制約と高速化
ロボット制御用のVLAモデルを、コスト・エネルギー・時間の観点で様々なエッジアクセラレータ上で評価し、推論の二相パターンを特定して、DP-CacheとV-AEFusionによる高速化手法を提案した。
原題: Characterizing Vision-Language-Action Models across XPUs: Constraints and Acceleration for On-Robot Deployment / Kaijun Zhou, Qiwei Chen, Da Peng 他
日本語で読む → - 論文VLAロボティクス
階層型視覚言語行動モデルの明示的な言語-行動整合による接地
ロボットの言語と行動の整合性を明示的に学習するフレームワークを提案し、階層型VLAモデルの接地を改善した。
原題: Grounding Hierarchical Vision-Language-Action Models Through Explicit Language-Action Alignment / Theodor Wulff, Federico Tavella, Rahul Singh Maharjan 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
推論時適応アクションチャンキングによる視覚言語行動モデルの性能向上
VLAモデルにおいて、アクションのチャンクサイズを予測のエントロピーに基づいて適応的に決定する戦略を提案し、シミュレーションと実世界の操作タスクで性能を向上させた。
原題: Adaptive Action Chunking at Inference-time for Vision-Language-Action Models / Yuanchang Liang, Xiaobo Wang, Kai Wang 他
日本語で読む → - 論文データ生成/VLAロボティクス
V-CAGE: ロボット操作のための視覚閉ループエージェント生成エンジン
VLAモデル学習用の高品質な合成データを自動生成するエージェントフレームワークを提案。セマンティックなレイアウト計画と視覚自己検証により、物理的に実行可能なシーンと軌道を生成し、データ圧縮も実現する。
原題: V-CAGE: Vision-Closed-Loop Agentic Generation Engine for Robotic Manipulation / Yaru Liu, Ao-bo Wang, Nanyang Ye
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 →
PR・アフィリエイト広告
