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: 2026/3/1 / 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/ベンチマーク画像認識
ESPIRE: 視覚言語モデルの身体化空間推論のための診断ベンチマーク
視覚言語モデルの空間推論能力を身体化ロボットタスクで評価する診断ベンチマークを提案し、タスクを位置特定と実行に分解して生成問題として扱うことで、受動的な空間推論を超えた分析を可能にした。
原題: ESPIRE: A Diagnostic Benchmark for Embodied Spatial Reasoning of Vision-Language Models / Yanpeng Zhao, Wentao Ding, Hongtao Li 他
日本語で読む → - 論文VLA画像認識
PRISM: 実世界小売環境向け身体性視覚言語モデルのためのマルチビュー・マルチ能力動画データセット
スーパーでの一人称・三人称・360度視点の動画27万サンプルを収集し、空間・物理・身体行動の知識を問う20以上のタスクで視覚言語モデルを微調整するデータセットを構築した。
原題: PRISM: A Multi-View Multi-Capability Retail Video Dataset for Embodied Vision-Language Models / Amirreza Rouhi, Parikshit Sakurikar, Satya Sai Reddy 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 → - 論文自動運転/VLAロボティクス
AutoDrive-P^3: 強化学習による認識・予測・計画の統合チェーン思考
自動運転向けVLMに、認識・予測・計画を段階的に推論するチェーン思考と階層的強化学習を導入し、安全性と解釈性を向上させるフレームワークを提案した。
原題: $AutoDrive\text{-}P^3$: Unified Chain of Perception-Prediction-Planning Thought via Reinforcement Fine-Tuning / Yuqi Ye, Zijian Zhang, Junhong Lin 他
日本語で読む → - 論文VLAロボティクス
すべての特徴が平等ではない:視覚言語行動モデルの機構的研究
視覚言語行動(VLA)モデルがマルチモーダル入力を行動に変換する仕組みを、活性化注入やスパースオートエンコーダなどを用いて分析し、視覚経路が行動生成を支配し、言語の重要性はタスク構造に依存することを明らかにした。
原題: Not All Features Are Created Equal: A Mechanistic Study of Vision-Language-Action Models / Bryce Grant, Xijia Zhao, Peng Wang
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ロボティクス
DiT4DiT: ビデオダイナミクスと行動の統合モデリングによる汎用ロボット制御
ビデオ生成と行動予測を統合したエンドツーエンドのVideo-Actionモデルを提案し、シミュレーションと実機で高い成功率とサンプル効率を達成した。
原題: DiT4DiT: Jointly Modeling Video Dynamics and Actions for Generalizable Robot Control / Teli Ma, Jia Zheng, Zifan Wang 他
日本語で読む → - 論文双腕操作/VLAロボティクス
SkillVLA: スキル再利用による双腕操作の組合せ多様性への挑戦
双腕操作におけるVLAモデルが、左右の腕のスキルを組み合わせて再利用できるようにするフレームワークを提案し、成功率を大幅に向上させた。
原題: SkillVLA: Tackling Combinatorial Diversity in Dual-Arm Manipulation via Skill Reuse / Xuanran Zhai, Zekai Huang, Longyan Wu 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/長期的タスクロボティクス
RoboClaw: 長期的ロボットタスクのためのスケーラブルなエージェント型フレームワーク
RoboClawは、データ収集・ポリシー学習・タスク実行を単一のVLM駆動コントローラで統合し、自己リセット機構により人間の介入を最小限に抑えつつ長期的タスクを自律的に実行するロボットフレームワークを提案する。
原題: RoboClaw: An Agentic Framework for Scalable Long-Horizon Robotic Tasks / Ruiying Li, Yunlang Zhou, YuYao Zhu 他
日本語で読む → - 論文VLA/操作ロボティクス
AnchorVLA4D: ロボット操作のためのアンカーベース時空間視覚言語行動モデル
視覚アンカーを用いて、操作中の空間認識と時間的文脈を強化する新しいVLAモデルを提案。初期シーンのアンカー画像と軽量な空間エンコーダを追加し、追加センサなしで性能を向上させた。
原題: AnchorVLA4D: an Anchor-Based Spatial-Temporal Vision-Language-Action Model for Robotic Manipulation / Juan Zhu, Zhanying Shao, Xiaoqi Li 他
日本語で読む → - 論文空中マニピュレーション/VLAロボティクス
π、しかし飛ばす:VLAモデルの空中マニピュレーションへの物理誘導転移
固定ベースのマニピュレータ向けに事前学習されたVLAモデルを空中プラットフォームへ転移させる際の「ダイナミクスギャップ」を、推論時のペイロード認識ガイダンスと合成データ生成で橋渡しし、空中ピックアンドプレースの成功率を向上させた。
原題: $\pi$, But Make It Fly: Physics-Guided Transfer of VLA Models to Aerial Manipulation / Johnathan Tucker, Denis Liu, Aiden Swann 他
日本語で読む → - 論文VLAロボティクス
SaiVLA-0: 大脳・橋・小脳の三部門構成による計算量を意識した視覚-言語-行動モデル
脳の大脳・橋・小脳の役割分担に着想を得て、凍結した視覚言語基盤と適応層、高速な並列カテゴリカル制御を組み合わせたVLAアーキテクチャを提案し、特徴キャッシュにより学習時間短縮と成功率向上を示した。
原題: SaiVLA-0: Cerebrum--Pons--Cerebellum Tripartite Architecture for Compute-Aware Vision-Language-Action / Xiang Shi, Wenlong Huang, Menglin Zou 他
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 → - 論文自動運転/VLAロボティクス
StyleVLA: 運転スタイルを考慮した視覚言語行動モデルによる自動運転
運転スタイル(スポーティ、快適など)に応じた多様で物理的に実現可能な軌道を生成する、物理情報を組み込んだVLAフレームワークを提案した。
原題: StyleVLA: Driving Style-Aware Vision Language Action Model for Autonomous Driving / Yuan Gao, Dengyuan Hua, Mattia Piccinini 他
日本語で読む → - 論文VLAロボティクス
フローからワンステップへ:暗黙的最大尤度推定に基づく分布蒸留によるリアルタイムマルチモーダル軌道ポリシー
条件付きフローマッチングの専門家を暗黙的最大尤度推定で単一ステップの生徒モデルに蒸留し、多様な動作モードを保ちながらリアルタイムな閉ループ制御を可能にした。
原題: From Flow to One Step: Real-Time Multi-Modal Trajectory Policies via Implicit Maximum Likelihood Estimation-based Distribution Distillation / Ju Dong, Liding Zhang, Lei Zhang 他
日本語で読む → - 論文VLAロボティクス
ReMem-VLA: 二重レベル再帰クエリによる記憶を備えた視覚言語行動モデル
視覚言語行動モデルに、フレーム単位とチャンク単位の再帰クエリを導入し、短期・長期記憶を実現。過去の観測予測を補助タスクとして追加し、記憶依存タスクで既存モデルを大幅に上回る性能を達成した。
原題: ReMem-VLA: Empowering Vision-Language-Action Model with Memory via Dual-Level Recurrent Queries / Hang Li, Fengyi Shen, Dong Chen 他
日本語で読む → - 論文VLA/自動運転/強化学習画像認識
狭い方策に潜む悪魔:運転VLAモデルの探索を解き放つ
自動運転の模倣学習が探索を狭め、強化学習の性能を制限する問題を特定し、軌道拡張と多様性重視の報酬設計で解決するCurious-VLAを提案した。
原題: Devil is in Narrow Policy: Unleashing Exploration in Driving VLA Models / Canyu Chen, Yuguang Yang, Zhewen Tan 他
日本語で読む → - 論文VLAロボティクス
ロボットはいつ考えるべきか?強化学習による資源認識型推論で身体性ロボットの意思決定を実現
身体性ロボットがLLM推論をいつ・どの役割で・どれだけ使うかを強化学習で適応的に決める階層的枠組みRARRLを提案し、タスク成功率向上と遅延削減を実現した。
原題: When Should a Robot Think? Resource-Aware Reasoning via Reinforcement Learning for Embodied Robotic Decision-Making / Jun Liu, Pu Zhao, Zhenglun Kong 他
日本語で読む → - 論文VLAロボティクス
DyGeoVLN: 動的幾何基盤モデルを視覚言語ナビゲーションに統合する
静的シーンを仮定した従来手法の限界を克服するため、動的幾何基盤モデルをVLNフレームワークに統合し、3D空間表現と視覚意味推論を強化。さらに、冗長なトークンを削減する適応的解像度トークンプルーニング戦略を導入し、長期的な動的ナビゲーションの推論コストを削減する。
原題: DyGeoVLN: Infusing Dynamic Geometry Foundation Model into Vision-Language Navigation / Xiangchen Liu, Hanghan Zheng, Jeil Jeong 他
日本語で読む → - 論文VLA画像認識
TagaVLM: 視覚言語ナビゲーションのためのトポロジー認識型グローバル行動推論
VLMの自己注意機構に空間トポロジー構造を直接注入し、グローバルな行動推論を可能にすることで、視覚言語ナビゲーションの性能を向上させたフレームワーク。
原題: TagaVLM: Topology-Aware Global Action Reasoning for Vision-Language Navigation / Jiaxing Liu, Zexi Zhang, Xiaoyan Li 他
日本語で読む → - 論文VLA機械学習
事前学習済みVLAモデルは継続学習において驚くほど忘却しにくい
大規模な視覚-言語-行動モデルは、小さなリプレイバッファでも継続学習時にほとんど忘却せず、事前学習が忘却耐性に大きく寄与することを示した研究。
原題: Pretrained Vision-Language-Action Models are Surprisingly Resistant to Forgetting in Continual Learning / Huihan Liu, Changyeon Kim, Bo Liu 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/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
DIAL: 潜在世界モデリングによる意図と行動の分離を用いたエンドツーエンドVLA
VLAモデルにおいて、高次意思決定と低次運動実行を潜在意図ボトルネックで橋渡しし、VLMの潜在空間で未来予測を行い、軽量ポリシーで行動を生成する枠組みを提案した。
原題: DIAL: Decoupling Intent and Action via Latent World Modeling for End-to-End VLA / Yi Chen, Yuying Ge, Hui Zhou 他
日本語で読む → - 論文自動運転/VLAロボティクス
DriveVLM-RL: 視覚言語モデルと神経科学に着想を得た強化学習による安全で実用的な自動運転
脳の習慣的・熟慮的視覚処理に倣い、静的・動的の二経路でVLMから意味的報酬を学習する強化学習フレームワークを提案。VLMは訓練時のみ使用し展開時には除去することで推論遅延をなくし、CARLAで安全性と実用性を向上させた。
原題: DriveVLM-RL: Neuroscience-Inspired Reinforcement Learning with Vision-Language Models for Safe and Deployable Autonomous Driving / Zilin Huang, Zihao Sheng, Zhengyang Wan 他
日本語で読む → - 論文VLA画像認識
GST-VLA: 構造化ガウス空間トークンを用いた3次元深度認識型視覚言語行動モデル
視覚観測を3次元ガウスプリミティブに変換し、深度認識型の思考連鎖推論と行動生成を統合したVLAモデルを提案した。
原題: GST-VLA: Structured Gaussian Spatial Tokens for 3D Depth-Aware Vision-Language-Action Models / Md Selim Sarowar, Omer Tariq, Sungho Kim
日本語で読む → - 論文VLAロボティクス
IROSA: 自然言語による対話型ロボットスキル適応
LLMをツール選択・パラメータ化に用い、微調整なしで自然言語からロボットスキルを適応させるフレームワークを提案し、軸受リング挿入タスクで速度調整・軌道修正・障害物回避を実証した。
原題: IROSA: Interactive Robot Skill Adaptation using Natural Language / Markus Knauer, Samuel Bustamante, Thomas Eiband 他
日本語で読む → - 論文VLAロボティクス
階層的潜在行動モデル
長期的な時間構造を捉えるため、事前学習済みの潜在行動モデルを低レベル抽出器として用い、潜在行動系列を高レベルの潜在スキルに集約する階層的潜在行動モデルHiLAMを提案した。
原題: Hierarchical Latent Action Model / Hanjung Kim, Lerrel Pinto, Seon Joo Kim
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
