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: 2026/3/19 / 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/強化学習機械学習
AcceRL: 視覚言語行動モデルのための分散非同期強化学習と世界モデルフレームワーク
同期バリアと環境データ取得コストによるボトルネックを解消するため、環境ロールアウト・モデル推論・勾配更新を物理的に分離した分散非同期RLフレームワークを提案し、スループットとサンプル効率を大幅に向上させた。
原題: AcceRL: A Distributed Asynchronous Reinforcement Learning and World Model Framework for Vision-Language-Action Models / Chengxuan Lu, Shukuan Wang, Yanjie Li 他
日本語で読む → - 論文VLA/推論高速化ロボティクス
KERV: 身体化VLAモデルのための運動学的修正投機的復号
VLAモデルの推論を高速化するため、運動学に基づくカルマンフィルタでアクションを予測し、投機的復号の誤りを補正するフレームワークKERVを提案。誤り訂正の再推論を回避し、受容閾値を動的に調整することで、成功率をほぼ落とさずに27〜37%の高速化を達成した。
原題: KERV: Kinematic-Rectified Speculative Decoding for Embodied VLA Models / Zihao Zheng, Zhihao Mao, Maoliang Li 他
日本語で読む → - 論文VLAロボティクス
SPAN-Nav: 多様な視覚言語ナビゲーションのための汎用空間認識
RGB動画から占有予測で空間事前知識を学習し、単一トークンで空間手がかりを行動推論に注入する視覚言語ナビゲーション基盤モデルを提案。
原題: SPAN-Nav: Generalized Spatial Awareness for Versatile Vision-Language Navigation / Jiahang Liu, Tianyu Xu, Jiawei Chen 他
日本語で読む → - 論文VLA画像認識
世界の連鎖:潜在運動における世界モデル思考
視覚言語行動モデルに、潜在運動表現を用いた世界モデルの時間的推論を統合し、効率的なロボット学習を実現する新しいパラダイムを提案した。
原題: Chain of World: World Model Thinking in Latent Motion / Fuxiang Yang, Donglin Di, Lulu Tang 他
日本語で読む → - 論文VLAロボティクス
NS-VLA:神経記号型視覚言語行動モデル
視覚・言語特徴から記号的にプリミティブを抽出し、オンライン強化学習で行動系列を生成する神経記号型VLAフレームワークを提案。少データ・摂動環境で高精度かつゼロショット汎化を示す。
原題: NS-VLA: Towards Neuro-Symbolic Vision-Language-Action Models / Ziyue Zhu, Shangyang Wu, Shuai Zhao 他
日本語で読む → - 論文VLA/制御ロボティクス
時間離散・時間連続の速度フィードフォワードによる視覚言語行動モデルの動的追従の実現
視覚言語行動モデルに速度フィードフォワード項を統合する2つの手法を提案し、接触を伴うタスクでの追従性能と成功率を改善した。
原題: Enabling Dynamic Tracking in Vision-Language-Action Models via Time-Discrete and Time-Continuous Velocity Feedforward / Johannes Hechtl, Philipp Schmitt, Georg von Wichert 他
日本語で読む → - 論文VLAロボティクス
一段階フローポリシー:高速視覚運動ポリシーのための自己蒸留
生成フローモデルや拡散モデルの反復サンプリングによる推論遅延を解消するため、事前学習済み教師なしの自己蒸留フレームワークを提案し、一段階で高精度な行動生成を実現した。
原題: One-Step Flow Policy: Self-Distillation for Fast Visuomotor Policies / Shaolong Li, Lichao Sun, Yongchao Chen
日本語で読む → - 論文VLAロボティクス
世界行動モデルはVLAより汎化するのか?ロバスト性の比較研究
VLAと世界行動モデル(WAM)をLIBERO-PlusやRoboTwin 2.0-Plusで視覚・言語の摂動下に比較し、WAMの高いロバスト性を示した研究。
原題: Do World Action Models Generalize Better than VLAs? A Robustness Study / Zhanguang Zhang, Zhiyuan Li, Behnam Rahmati 他
日本語で読む → - 論文VLAロボティクス
VAMPO: ビデオ行動モデルの視覚ダイナミクスを改善するポリシー最適化
ビデオ行動モデルのノイズ除去を逐次決定過程とみなし、専門家の視覚ダイナミクスに基づく報酬でポリシー最適化を行うことで、操作に重要な視覚ダイナミクスを直接改善するフレームワークを提案。
原題: VAMPO: Policy Optimization for Improving Visual Dynamics in Video Action Models / Zirui Ge, Pengxiang Ding, Baohua Yin 他
日本語で読む → - 論文自動運転/VLAロボティクス
失敗から学ぶ:テイクオーバーデータを用いた運転VLAのポストトレーニング
自動運転のVLAモデルに対し、テイクオーバー(人間介入)データを活用した新しいポストトレーニング手法TakeVLAを提案。介入前の言語指示とシナリオ再構築による強化学習で安全マージンを拡大し、ベンチマークで最高性能を達成した。
原題: Learning from Mistakes: Post-Training for Driving VLA with Takeover Data / Yinfeng Gao, Deqing Liu, Qichao Zhang 他
日本語で読む → - 論文VLA/解釈可能性ロボティクス
スパースオートエンコーダがVLAモデルの解釈可能で操作可能な特徴を明らかにする
VLAモデルの隠れ層にスパースオートエンコーダを適用し、動作プリミティブや意味概念に対応する解釈可能な特徴を発見。特徴の増幅・除去による操作実験で、汎化と制御可能性を実証した。
原題: Sparse Autoencoders Reveal Interpretable and Steerable Features in VLA Models / Aiden Swann, Lachlain McGranahan, Hugo Buurmeijer 他
日本語で読む → - 論文VLAロボティクス
KineVLA: 運動学を考慮した視覚言語行動モデルと二段階行動分解
言語指示に運動学的属性(方向、軌道、姿勢、相対変位など)を細かく組み込んだ新しいVLAタスクを提案し、目標の不変性と運動学的可変性を分離する二段階行動表現と推論トークンを持つKineVLAフレームワークを導入した。シミュレーションと実機で精度・制御性・汎化性が向上することを示した。
原題: KineVLA: Towards Kinematics-Aware Vision-Language-Action Models with Bi-Level Action Decomposition / Gaoge Han, Zhengqing Gao, Ziwen Li 他
日本語で読む → - 論文VLAロボティクス
一歩ずつ報酬を与えよう:連続環境における視覚言語ナビゲーションのためのステップ認識型対照アライメント
連続環境での視覚言語ナビゲーションにおいて、失敗軌跡から有効な接頭辞と逸脱点を特定するステップ単位の監査と、状況に応じたグループ構築により、密な報酬信号を抽出して学習を安定化させるSACAを提案し、最先端性能を達成した。
原題: Let's Reward Step-by-Step: Step-Aware Contrastive Alignment for Vision-Language Navigation in Continuous Environments / Haoyuan Li, Rui Liu, Hehe Fan 他
日本語で読む → - 論文VLA画像認識
DualCoT-VLA: 視覚と言語の連鎖的推論を並列化した視覚言語行動モデル
複雑なタスクで苦戦するVLAモデルに対し、視覚的CoTと言語的CoTを並列に統合し、推論遅延を減らして高性能を実現した。
原題: DualCoT-VLA: Visual-Linguistic Chain of Thought via Parallel Reasoning for Vision-Language-Action Models / Zhide Zhong, Junfeng Li, Junjie He 他
日本語で読む → - 論文VLAロボティクス
履歴条件付き時空間視覚トークン枝刈りによる効率的な視覚言語ナビゲーション
VLAベースの視覚言語ナビゲーション向けに、再学習不要で視覚トークンを時空間的に枝刈りする手法を提案し、精度を保ちつつ推論を高速化、四足ロボットでの実機検証も行った。
原題: History-Conditioned Spatio-Temporal Visual Token Pruning for Efficient Vision-Language Navigation / Qitong Wang, Yijun Liang, Ming Li 他
日本語で読む → - 論文VLAロボティクス
自分らしく運転:個人の好みに合わせたVision-Language-Actionモデルによるパーソナライズド運転
複数の実ドライバーの運転データからユーザー埋め込みを学習し、自然言語指示にも対応する個人化VLA運転フレームワークDMWを提案。各ドライバーの運転スタイルを再現できることを示した。
原題: Drive My Way: Preference Alignment of Vision-Language-Action Model for Personalized Driving / Zehao Wang, Huaide Jiang, Shuaiwu Dong 他
日本語で読む → - 論文VLAロボティクス
HiFlow: トークン化不要のスケール単位自己回帰ポリシー学習をフローマッチングで実現
ロボットの行動は低次元連続ベクトルであるため、離散トークン化を不要とし、時間プーリングで多スケールの連続行動目標を構築する自己回帰ポリシーHiFlowを提案。単一ステージでエンドツーエンドに学習し、既存手法を上回る性能を示した。
原題: HiFlow: Tokenization-Free Scale-Wise Autoregressive Policy Learning via Flow Matching / Daichi Yashima, Koki Seno, Shuhei Kurita 他
日本語で読む → - 論文VLA画像認識
LaMP: 3Dシーンフローを潜在運動事前分布として用いる視覚-言語-行動ポリシーの学習
3Dシーンフローを潜在的な運動事前分布として組み込んだ二重エキスパート型VLAフレームワークを提案し、LIBEROや実機実験で従来手法を上回る成功率とOOD頑健性を達成した。
原題: LaMP: Learning Vision-Language-Action Policy with 3D Scene Flow as Latent Motion Prior / Xinkai Wang, Chenyi Wang, Yifu Xu 他
日本語で読む → - 論文VLA/制御ロボティクス
Realtime-VLA V2: VLAを高速・滑らか・正確に実行する学習
VLAモデルを実ロボットに高速展開するための実践的技術群を提案し、軽量アームで人間並みの速度と精度を実現した。
原題: Realtime-VLA V2: Learning to Run VLAs Fast, Smooth, and Accurate / Chen Yang, Yucheng Hu, Yunchao Ma 他
日本語で読む → - 論文VLA画像認識
PVI: 視覚言語行動モデルのためのプラグイン型視覚注入
事前学習済みの視覚言語モデルと行動エキスパートを組み合わせたVLAアーキテクチャに対し、軽量でエンコーダ非依存のモジュールを追加し、時間的視覚特徴を注入することで性能を向上させる手法を提案した。
原題: PVI: Plug-in Visual Injection for Vision-Language-Action Models / Zezhou Zhang, Songxin Zhang, Xiao Xiong 他
日本語で読む → - 論文VLAロボティクス
訓練不要の注意再調整によるVLAモデルの言語基盤の回復
VLAモデルが視覚情報に偏り、指示と矛盾する動作を実行する「言語的盲目」現象を明らかにし、推論時に注意を再調整して指示の影響を回復する手法IGARを提案した。
原題: Restoring Linguistic Grounding in VLA Models via Train-Free Attention Recalibration / Ninghao Zhang, Bin Zhu, Shijie Zhou 他
日本語で読む → - 論文器用操作/VLAロボティクス
UniHM: 視覚言語モデルによる統合器用手操作
自由形式の言語指示に基づいて物理的に実現可能な器用な手の操作を生成する統合フレームワークを提案。異なる手の形態を共通コードブックにマッピングし、人間の物体操作データのみで学習することで、実世界の遠隔操作データなしに汎用性の高い操作シーケンスを生成する。
原題: UniHM: Unified Dexterous Hand Manipulation with Vision Language Model / Zhenhao Zhang, Jiaxin Liu, Ye Shi 他
日本語で読む → - 論文VLAロボティクス
ニューラル暗黙アクションフィールド:視覚-言語-行動モデルのための離散ウェイポイントから連続関数へ
VLAモデルの行動表現を離散ウェイポイントから連続時間の行動関数へ再定式化し、任意の時間分解能で滑らかな制御を可能にした手法を提案。
原題: Neural Implicit Action Fields: From Discrete Waypoints to Continuous Functions for Vision-Language-Action Models / Haoyun Liu, Jianzhuang Zhao, Xinyuan Chang 他
日本語で読む → - 論文VLA画像認識
アクション草案と検証:視覚言語行動モデルのための自己検証フレームワーク
拡散アクション専門家が複数のアクション候補を生成し、VLMが一回のフォワードパスでスコアリングして最適なものを選択する自己検証フレームワークを提案。シミュレーションと実世界で成功率を向上させた。
原題: Action Draft and Verify: A Self-Verifying Framework for Vision-Language-Action Model / Chen Zhao, Zhuoran Wang, Haoyang Li 他
日本語で読む → - 論文VLA/長期操作ロボティクス
TempoFit: 長期的視覚言語行動操作のためのプラグアンドプレイ層別時間KVメモリ
事前学習済みの視覚言語行動(VLA)ポリシーに、追加学習なしで時間的記憶を注入するTempoFitを提案。層ごとのKVキャッシュと再帰バイアスにより、長期的な操作タスクの成功率を向上させる。
原題: TempoFit: Plug-and-Play Layer-Wise Temporal KV Memory for Long-Horizon Vision-Language-Action Manipulation / Jun Sun, Boyu Yang, Jiahao Zhang 他
日本語で読む → - 論文ロボット学習/VLA画像認識
S-VAM: 幾何学的・意味的先読みの自己蒸留によるショートカット動画行動モデル
動画行動モデル(VAM)の推論速度と先読み精度のトレードオフを解決するため、単一パスで幾何・意味表現を予測するショートカットモデルS-VAMを提案。多段階拡散の生成事前知識を一段階推論に凝縮する自己蒸留戦略を導入し、シミュレーションと実世界で高性能を実証した。
原題: S-VAM: Shortcut Video-Action Model by Self-Distilling Geometric and Semantic Foresight / Haodong Yan, Zhide Zhong, Jiaguan Zhu 他
日本語で読む → - 論文VLA画像認識
生成モデルは空間を理解している:暗黙の3D事前知識を活用したシーン理解
動画生成モデルが内部に持つ暗黙の3D構造・物理の事前知識を抽出し、マルチモーダル大規模言語モデルに組み込むことで、明示的な3D教師なしに空間推論や操作タスクの性能を高めるフレームワークVEGA-3Dを提案した。
原題: Generation Models Know Space: Unleashing Implicit 3D Priors for Scene Understanding / Xianjin Wu, Dingkang Liang, Tianrui Feng 他
日本語で読む → - 論文VLAロボティクス
HMR-1: 視覚言語モデルを用いた階層型マッサージロボットによる身体性ヘルスケア
マッサージ用のマルチモーダルデータセットMedMassage-12Kを構築し、視覚言語モデルでツボを認識する高レベルモジュールと軌道計画を行う低レベル制御モジュールからなる階層型マッサージロボットを提案した論文。
原題: HMR-1: Hierarchical Massage Robot with Vision-Language-Model for Embodied Healthcare / Rongtao Xu, Mingming Yu, Xiaofeng Han 他
日本語で読む → - 論文VLAロボティクス
Ψ₀: 汎用人型ロコマニピュレーションに向けたオープン基盤モデル
高品質な一人称視点の人間動画でVLMを事前学習し、人型ロボットの実機データで追加学習する段階的パラダイムにより、少ないデータで人型ロコマニピュレーションを実現するオープン基盤モデルを提案した。
原題: $\Psi_0$: An Open Foundation Model Towards Universal Humanoid Loco-Manipulation / Songlin Wei, Hongyi Jing, Boqian Li 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のための実用的な世界モデルベース強化学習に向けて
VLAモデルの強化学習を実世界ではなく世界モデル内で行う枠組みVLA-MBPOを提案し、マルチビュー整合性と誤差蓄積を抑える設計で性能とサンプル効率を改善した。
原題: Towards Practical World Model-based Reinforcement Learning for Vision-Language-Action Models / Zhilong Zhang, Haoxiang Ren, Yihao Sun 他
日本語で読む →
PR・アフィリエイト広告
