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
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
DecoVLN: 観察・推論・修正を分離した視覚言語ナビゲーション
長期的な指示に従う視覚言語ナビゲーションの性能を高めるため、記憶構築の最適化と誤差補正のための微調整戦略を導入したフレームワークを提案した。
原題: DecoVLN: Decoupling Observation, Reasoning, and Correction for Vision-and-Language Navigation / Zihao Xin, Wentong Li, Yixuan Jiang 他
日本語で読む → - 論文VLA画像認識
HiMemVLN:階層的記憶システムによるオープンソースゼロショット視覚言語ナビゲーションの信頼性向上
オープンソースLLMを用いた視覚言語ナビゲーションにおける「ナビゲーション健忘」問題を分析し、階層的記憶システムを導入することで性能を約2倍に改善した研究。
原題: HiMemVLN: Enhancing Reliability of Open-Source Zero-Shot Vision-and-Language Navigation with Hierarchical Memory System / Kailin Lyu, Kangyi Wu, Pengna Li 他
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
最適化としての生成的制御:適応的で堅牢なロボット制御のための時間無条件フローマッチング
行動生成を軌道積分ではなく反復最適化として扱う時間無条件フレームワークGeCOを提案し、状態の難易度に応じて計算量を適応させ、OOD検出も可能にした。
原題: Generative Control as Optimization: Time Unconditional Flow Matching for Adaptive and Robust Robotic Control / Zunzhe Zhang, Runhan Huang, Yicheng Liu 他
日本語で読む → - 論文VLAロボティクス
FloorPlan-VLN: フロアプラン誘導型視覚言語ナビゲーションの新パラダイム
視覚言語ナビゲーション(VLN)において、フロアプランを大域的な空間事前情報として活用する新しいタスクとデータセットを提案し、簡潔な指示だけでナビゲーションを可能にする手法FP-Navを導入した。
原題: FloorPlan-VLN: A New Paradigm for Floor Plan Guided Vision-Language Navigation / Kehan Chen, Yan Huang, Dong An 他
日本語で読む → - 論文VLA/エッジAIcs.PF
VLAモデルの特性解析:エッジAIアーキテクチャにおける行動生成ボトルネックの特定
エッジハードウェア上でVLAモデルの性能を評価し、メモリ帯域がボトルネックとなる行動生成フェーズを特定。将来の大規模モデルへの拡張に必要なハードウェア要件を予測した。
原題: Characterizing VLA Models: Identifying the Action Generation Bottleneck for Edge AI Architectures / Manoj Vishwanathan, Suvinay Subramanian, Anand Raghunathan
日本語で読む → - 論文VLA画像認識
段階的視覚言語学習による物理的接地を備えた具現化タスク計画
具現化タスク計画のための3段階学習フレームワークSVLLを提案し、空間接地と時間推論を分離してから、専門家軌道へのバイアスを注入するBias-DPOでアライメントを行うことで、物理的に不可能な行動を抑制する。
原題: SVLL: Staged Vision-Language Learning for Physically Grounded Embodied Task Planning / Yuyuan Yang, Junkun Hong, Hongrong Wang 他
日本語で読む → - 論文自動運転/VLAロボティクス
Uni-World VLA: 自動運転のための世界モデリングと計画の交互実行
自動運転向けに、将来フレーム予測と軌道計画を交互に行う統合VLAモデルを提案し、閉ループな意思決定を実現した。
原題: Uni-World VLA: Interleaved World Modeling and Planning for Autonomous Driving / Qiqi Liu, Huan Xu, Jingyu Li 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VLA/空間知能/3D認識ロボティクス
3D-Mix for VLA: VGGTベースの3D情報を視覚言語行動モデルに統合するプラグアンドプレイモジュール
VLAモデルの空間知能を向上させるため、VGGTによる3D情報をタスク文脈に応じて適応的に融合するプラグアンドプレイモジュール「3D-Mix」を提案し、複数のVLAアーキテクチャとベンチマークで一貫した性能向上を実証した。
原題: 3D-Mix for VLA: A Plug-and-Play Module for Integrating VGGT-based 3D Information into Vision-Language-Action Models / Bin Yu, Shijie Lian, Xiaopeng Lin 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
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画像認識
効率的で汎化性の高い視覚言語ナビゲーションのための構造化観測言語
視覚言語ナビゲーションにおいて、RGB-D画像をグリッド分割し各セルの意味・色・深度情報を構造化テキストに変換して言語モデルに入力するフレームワークSOL-Navを提案し、モデルサイズとデータ依存を削減しつつ汎化性能を向上させた。
原題: Structured Observation Language for Efficient and Generalizable Vision-Language Navigation / Daojie Peng, Fulong Ma, Jun Ma
日本語で読む → - 論文VLA/操作ロボティクス
ForceVLA2: 力認識によるハイブリッド力-位置制御で接触を伴う操作を実現
接触を伴う操作のための視覚言語行動モデルに、力認識とハイブリッド力-位置制御を導入し、成功率を大幅に向上させた。
原題: ForceVLA2: Unleashing Hybrid Force-Position Control with Force Awareness for Contact-Rich Manipulation / Yang Li, Zhaxizhuoma, Hongru Jiang 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
平均流に基づく一段階視覚言語行動モデル
フローマッチング型VLAの遅延問題を解決するため、ノイズ起因の問題を解消し一段階の行動生成を可能にする平均流ベースの手法を提案。実機実験で既存手法より大幅に高速な生成を実現した。
原題: Mean-Flow based One-Step Vision-Language-Action / Yang Chen, Xiaoguang Ma, Bin Zhao
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/マニピュレーション画像認識
概念ゲート型視覚蒸留による視覚言語行動モデルの雑然環境耐性の向上
視覚言語行動モデルが雑然環境で失敗する原因を、背景による特徴希釈と特定し、それを抑える訓練不要の推論時フレームワークCGVDを提案した。
原題: Overcoming Visual Clutter in Vision Language Action Models via Concept-Gated Visual Distillation / Sangmim Song, Sarath Kodagoda, Marc Carmichael 他
日本語で読む → - 論文VLAロボティクス
FASTER: リアルタイムフローVLAの再考
フロー型VLAの反応遅延を分析し、Horizon-Aware Scheduleで直近動作のデノイズを1ステップに短縮してリアルタイム応答性を大幅に改善した手法を提案。
原題: FASTER: Rethinking Real-Time Flow VLAs / Yuxiang Lu, Zhe Liu, Xianzhe Fan 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
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
LILAC: 言語条件付きオブジェクト中心オプティカルフローによるオープンループ軌道生成
人間やWeb動画から学習可能なフローベースの軌道生成を用いて、言語指示に従った物体操作を実現する手法を提案。指示とフローを整合させる損失関数とクロスモーダルアダプタを導入し、既存手法より高品質なフロー生成と高いタスク成功率を達成した。
原題: LILAC: Language-Conditioned Object-Centric Optical Flow for Open-Loop Trajectory Generation / Motonari Kambara, Koki Seno, Tomoya Kaichi 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 →
PR・アフィリエイト広告
