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/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
CodeGraphVLP: コードによる計画とセマンティックグラフ状態を組み合わせた非マルコフ型視覚言語行動モデル
長期的なロボット操作タスクにおいて、セマンティックグラフ状態とコードベースのプランナーを組み合わせ、視覚言語行動モデルの実行を支援する階層的フレームワークを提案した。
原題: CodeGraphVLP: Code-as-Planner Meets Semantic-Graph State for Non-Markovian Vision-Language-Action Models / Khoa Vo, Sieu Tran, Taisei Hanyu 他
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/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ロボティクス
AnchorVLA: アンカー拡散による効率的なエンドツーエンド移動操作
移動操作において、拡散ポリシーの多様な行動生成を保ちつつ、推論コストを削減するため、アンカー軌道周辺で局所的に拡散する手法を提案し、実行時のドリフトを軽減する自己補正機構も導入した。
原題: AnchorVLA: Anchored Diffusion for Efficient End-to-End Mobile Manipulation / Jia Syuen Lim, Zhizhen Zhang, Peter Bohm 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
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VLA/構造化ポリシーロボティクス
合成ニューロシンボリック監視による視覚言語モデルからの構造化ロボットポリシー学習
視覚言語モデルを用いて、視覚観察と自然言語指示から実行可能なビヘイビアツリーポリシーを自動生成するニューロシンボリック手法を提案し、合成データのみで学習したモデルが実ロボットで動作することを示した。
原題: Learning Structured Robot Policies from Vision-Language Models via Synthetic Neuro-Symbolic Supervision / Alessandro Adami, Tommaso Tubaldo, Marco Todescato 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
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
ロックインの打破:低データVLA後訓練における操縦性の維持
低データでの後訓練後にVLAポリシーが新しい指示に応答しなくなる「ロックイン」現象を特定し、視覚的接地の維持とテスト時の対照的プロンプトガイダンスによりこれを緩和するDeLockを提案した。
原題: Breaking Lock-In: Preserving Steerability under Low-Data VLA Post-Training / Suning Huang, Jiaqi Shao, Ke Wang 他
日本語で読む → - 論文自動運転/VLA画像認識
Xiaomi OneVL: ワンステップ潜在推論と視覚言語説明によるプランニング
自動運転のVLAモデルにおいて、潜在推論を視覚世界モデルで強化し、明示的CoTを超える精度を実現しつつ、推論速度を回答のみの予測と同等に高速化したフレームワークを提案した。
原題: Xiaomi OneVL: One-Step Latent Reasoning and Planning with Vision-Language Explanation / Jinghui Lu, Jiayi Guan, Zhijian Huang 他
日本語で読む → - 論文VLA/操作ロボティクス
AnchorRefine: 軌道アンカーと残差補正に基づく協調操作のためのVLAモデル
VLAモデルの動作生成を大域的な軌道計画と局所的な微細補正に分解する階層フレームワークを提案し、シミュレーションと実機で成功率を向上させた。
原題: AnchorRefine: Synergy-Manipulation Based on Trajectory Anchor and Residual Refinement for Vision-Language-Action Models / Tingzheng Jia, Kan Guo, Lanping Qian 他
日本語で読む → - 論文VLAロボティクス
ノイズから意図へ:残差ブリッジによる生成的VLAポリシーのアンカリング
生成的VLAポリシーを「ノイズからの生成」から「意図からの精緻化」へと転換し、スペクトル解析で制御を低周波の意図と高周波の残差に分離して、残差拡散ブリッジで局所ダイナミクスを精緻化するResVLAを提案した。
原題: From Noise to Intent: Anchoring Generative VLA Policies with Residual Bridges / Yiming Zhong, Yaoyu He, Zemin Yang 他
日本語で読む → - 論文VLA機械学習
π0.7: 操縦可能な汎用ロボット基盤モデルと創発的能力
多様なコンテキスト条件付けを用いて、未見環境での言語指示追従やゼロショットの身体汎化を実現するロボット基盤モデルπ0.7を提案した。
原題: ${\pi}_{0.7}$: a Steerable Generalist Robotic Foundation Model with Emergent Capabilities / Physical Intelligence, Bo Ai, Ali Amin 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
圧縮ギャップ:離散トークン化が視覚・言語・行動モデルのスケーリングを制限する理由
視覚エンコーダの性能向上が、行動を離散トークンで表現するVLAモデルでは性能向上に結びつかないことを示し、情報ボトルネックの位置がスケーリング挙動を決める「圧縮ギャップ」原理を提唱した。
原題: The Compression Gap: Why Discrete Tokenization Limits Vision-Language-Action Model Scaling / Takuya Shiba
日本語で読む → - 論文VLA/追跡画像認識
UAV-Track VLA: 視覚・言語・行動モデルによるドローン搭載型空中追跡
ドローンによる空中追跡のための視覚・言語・行動(VLA)モデルを提案し、時間圧縮ネットと並列デュアルブランチデコーダを導入して性能と効率を向上させた。
原題: UAV-Track VLA: Embodied Aerial Tracking via Vision-Language-Action Models / Qiyao Zhang, Shuhua Zheng, Jianli Sun 他
日本語で読む → - 論文VLAロボティクス
StarVLA-α: 視覚言語行動システムの複雑さを低減する
VLAモデルの設計選択を制御条件下で研究するため、複雑さを最小限に抑えたシンプルなベースラインStarVLA-αを提案し、複数ベンチマークで高い性能を達成した。
原題: StarVLA-$\alpha$: Reducing Complexity in Vision-Language-Action Systems / Jinhui Ye, Ning Gao, Senqiao Yang 他
日本語で読む → - 論文VLA/世界モデルロボティクス
Motubrain: ロボット制御のための高度な世界行動モデル
視覚・言語・行動を統合した世界行動モデルMotubrainを提案し、動画と行動の同時予測や多様なロボットデータへの対応、高速な実時間推論を実現した。
原題: Motubrain: An Advanced World Action Model for Robot Control / Motubrain Team, Chendong Xiang, Fan Bao 他
日本語で読む → - 論文VLA/ロバスト性/レッドチーミングロボティクス
多様性を考慮したレッドチーミングによる視覚言語行動モデルの言語的脆弱性の解明
ロボット操作のための視覚言語行動モデル(VLA)の言語的変化に対する頑健性を評価するため、多様な敵対的指示を生成するフレームワークDAERTを提案し、既存手法より多様で効果的な失敗パターンを発見した。
原題: Uncovering Linguistic Fragility in Vision-Language-Action Models via Diversity-Aware Red Teaming / Baoshun Tong, Haoran He, Ling Pan 他
日本語で読む → - 論文VLA画像認識
クロスビュー関係から学ぶ多視点空間推論
多視点の空間推論能力を高めるための大規模データセットXVRを構築し、視覚言語モデルを微調整して、対応付け・検証・位置特定のタスクで性能を向上させ、ロボット操作にも効果があることを示した。
原題: Learning Multi-View Spatial Reasoning from Cross-View Relations / Suchae Jeong, Jaehwi Song, Haeone Lee 他
日本語で読む → - 論文VLA/評価ベンチマーク機械学習
LIBERO-Para: VLAモデルの言い換え頑健性を評価する診断ベンチマークと指標
VLAモデルが指示の言い換えに対して脆弱であることを示すベンチマークを構築し、失敗の主因が物体レベルの語彙変化による計画段階の軌道逸脱であることを明らかにした。また、言い換え難易度を定量化する指標PRIDEを提案した。
原題: LIBERO-Para: A Diagnostic Benchmark and Metrics for Paraphrase Robustness in VLA Models / Chanyoung Kim, Minwoo Kim, Minseok Kang 他
日本語で読む → - 論文VLA画像認識
SpatialStack: 3D VLM空間推論のための階層的幾何学-言語融合
3D空間推論に弱い視覚言語モデルに対し、視覚・幾何・言語表現を階層的に融合するフレームワークを提案し、複数のベンチマークで最高性能を達成した。
原題: SpatialStack: Layered Geometry-Language Fusion for 3D VLM Spatial Reasoning / Jian Zhang, Shijie Zhou, Bangya Liu 他
日本語で読む →
PR・アフィリエイト広告
