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ロボティクス
OmniGuide:汎用ロボットポリシーを強化する万能ガイダンス場
3D基盤モデルやVLMなどの多様なガイダンスを微分可能なエネルギー関数として表現し、VLAモデルの行動サンプリングを誘導することで、複雑な操作タスクの成功率と安全性を向上させるフレームワーク。
原題: OmniGuide: Universal Guidance Fields for Enhancing Generalist Robot Policies / Yunzhou Song, Long Le, Yong-Hyun Park 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/ナビゲーション/マニピュレーションロボティクス
DiffusionAnything: 統一ナビゲーションと把持前動作のためのエンドツーエンド・インコンテキスト拡散学習
RGB画像のみから、メートル規模のナビゲーションとセンチメートル規模のマニピュレーションを単一モデルで計画する拡散ポリシーを提案。タスクごとに5分の自己教師ありデータで学習し、未知シーンへのゼロショット汎化を実現する。
原題: DiffusionAnything: End-to-End In-context Diffusion Learning for Unified Navigation and Pre-Grasp Motion / Iana Zhura, Yara Mahmoud, Jeffrin Sam 他
日本語で読む → - 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/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 → - 論文ヒューマノイド制御/VLAロボティクス
PhysiFlow: 物理認識型ヒューマノイド全身VLA - マルチブレイン潜在フローマッチングとロバスト追従による実現
ヒューマノイドの全身制御に視覚言語行動(VLA)を統合し、物理認識型のマルチブレインVLAフレームワークを提案。動的で四肢協調を要するタスクでの安定性を向上させた。
原題: PhysiFlow: Physics-Aware Humanoid Whole-Body VLA via Multi-Brain Latent Flow Matching and Robust Tracking / Weikai Qin, Sichen Wu, Ci Chen 他
日本語で読む → - 論文VLAロボティクス
ロボットポリシー学習における視点汎化のための効率的なカメラポーズ拡張
3Dガウススプラッティングを用いて、少数の非校正画像から高品質な3Dシーンを再構成し、多様な合成視点を生成することで、視覚運動ポリシーの未知視点への汎化性能を向上させる手法を提案した。
原題: Efficient Camera Pose Augmentation for View Generalization in Robotic Policy Learning / Sen Wang, Huaiyi Dong, Jingyi Tian 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
3PoinTr: 制約のない人間動画から操作を学習する3D点トラック
制約のない人間の動画から密な3D点トラックを予測し、それを用いてロボット操作方策を事前学習する手法を提案。20件の実演のみで成功率を大幅に向上させた。
原題: 3PoinTr: 3D Point Tracks for Learning Manipulation from Unconstrained Human Videos / Adam Hung, Bardienus Pieter Duisterhof, Jeffrey Ichnowski
日本語で読む → - 論文VLA/マルチタスク学習ロボティクス
CORAL: LoRAエキスパートによるスケーラブルなマルチタスクロボット学習
事前学習済みVLAモデルを凍結し、タスクごとに軽量なLoRAエキスパートを追加して干渉を回避するフレームワークを提案。動的ルーティングでゼロオーバーヘッドの推論を実現し、実機とシミュレーションで性能を実証した。
原題: CORAL: Scalable Multi-Task Robot Learning via LoRA Experts / Yuankai Luo, Woping Chen, Tong Liang 他
日本語で読む → - 論文VLAロボティクス
言語から行動へ:LLMベースのエージェントは身体化されたロボットの認知に利用できるか?
大規模言語モデル(LLM)を中心とした認知アーキテクチャを提案し、家庭環境での移動マニピュレータの計画・推論に応用して、物体配置や交換タスクでその有効性を評価した。
原題: From Language to Action: Can LLM-Based Agents Be Used for Embodied Robot Cognition? / Shinas Shaji, Fabian Huppertz, Alex Mitrevski 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触覚モダリティ融合
視覚言語行動モデルに触覚信号を軽量に統合するTacFiLMを提案し、接触を伴う挿入・引き出しタスクで成功率や力の安定性を改善した。
原題: Tactile Modality Fusion for Vision-Language-Action Models / Charlotte Morissette, Amin Abyaneh, Wei-Di Chang 他
日本語で読む → - 論文VLAロボティクス
小型無人航空機の協調的戦術的衝突回避のための大規模言語モデルのファインチューニング
BlueSkyシミュレータで生成したデータを用い、LLMをLoRAやGRPOでファインチューニングして小型無人機の協調的な衝突回避判断を行わせ、精度と分離性能の向上を示した。
原題: Fine-Tuning Large Language Models for Cooperative Tactical Deconfliction of Small Unmanned Aerial Systems / Iman Sharifi, Alex Zongo, Peng Wei
日本語で読む → - 論文VLAロボティクス
VPWEM: 作業記憶とエピソード記憶を備えた非マルコフ視覚運動ポリシー
ロボットの模倣学習において、短期の作業記憶と長期のエピソード記憶を組み合わせ、長期的な記憶を要する非マルコフタスクを少ない計算コストで解く視覚運動ポリシーを提案した。
原題: VPWEM: Non-Markovian Visuomotor Policy with Working and Episodic Memory / Yuheng Lei, Zhixuan Liang, Hongyuan Zhang 他
日本語で読む → - 論文VLAロボティクス
DFM-VLA: 離散フローマッチングによる反復的な行動洗練でロボットマニピュレーションを実現
行動トークンを反復的に洗練する離散フローマッチング型VLAを提案し、初期のトークン誤りを後から修正できるようにしてマニピュレーション精度を向上させた。
原題: DFM-VLA: Iterative Action Refinement for Robot Manipulation via Discrete Flow Matching / Jiayi Chen, Wenxuan Song, Jiaxin Fang 他
日本語で読む → - 論文VLA/拡散モデル/ファインチューニングロボティクス
Fast-dVLA: 離散拡散VLAを実時間性能へ高速化
事前学習済みVLAモデルの性能向上と適応コスト削減を両立するため、補助タスクの能力ベクトルをパラメータ空間で分離・統合する手法を提案し、軽量な正則化で標準SFTと同等の性能を低計算コストで実現した。
原題: Fast-dVLA: Accelerating Discrete Diffusion VLA to Real-Time Performance / Wenxuan Song, Jiayi Chen, Shuai Chen 他
日本語で読む → - 論文VLA画像認識
TAG: 物体中心推論のためのターゲット非依存ガイダンスによるVLAポリシーの安定化
VLAポリシーが散らかった環境で誤った物体や位置を掴む問題を、物体を消した観察との差分を利用した推論時ガイダンスで改善する手法を提案。
原題: TAG: Target-Agnostic Guidance for Stable Object-Centric Inference in Vision-Language-Action Models / Jiaying Zhou, Zhihao Zhan, Ruifeng Zhai 他
日本語で読む → - 論文VLAロボティクス
ロボティクスにおける安全意識型ゴール指向セマンティックセンシング・通信・制御
無線接続ロボットシステムにおいて、安全性を考慮したゴール指向セマンティック通信とセンシング・制御の協調設計を提案し、課題と研究方向を整理したサーベイ論文。
原題: Safety-aware Goal-oriented Semantic Sensing, Communication, and Control for Robotics / Wenchao Wu, Shutong Chen, Wenjie Liu 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VLAロボティクス
HapticVLA: 推論時触覚センシング不要のVision-Language-Actionモデルによる接触リッチマニピュレーション
触覚をオフラインで学習し、推論時には触覚センサなしで接触を伴う器用な操作を実現するVLAモデルを提案。実世界実験で86.7%の成功率を達成。
原題: HapticVLA: Contact-Rich Manipulation via Vision-Language-Action Model without Inference-Time Tactile Sensing / Konstantin Gubernatorov, Mikhail Sannikov, Ilya Mikhalchuk 他
日本語で読む → - 論文VLAロボティクス
VP-VLA: 視覚プロンプトをインターフェースとする視覚言語行動モデル
VLAモデルのブラックボックス的な制御を改善するため、高次推論と低次実行を分離し、視覚プロンプト(十字線やバウンディングボックス)を介して指示を伝える二重システムフレームワークを提案した。
原題: VP-VLA: Visual Prompting as an Interface for Vision-Language-Action Models / Zixuan Wang, Yuxin Chen, Yuqi Liu 他
日本語で読む → - 論文VLA/行動生成/推論高速化ロボティクス
ProbeFlow: 学習不要の適応型フローマッチングによる視覚言語行動モデルの高速化
VLAモデルの行動生成に用いるフローマッチングの推論遅延を、軌道の複雑さに応じて積分ステップ数を動的に調整する学習不要のフレームワークで削減し、実機でも安定した高速動作を実現した。
原題: ProbeFlow: Training-Free Adaptive Flow Matching for Vision-Language-Action Models / Zhou Fang, Jiaqi Wang, Yi Zhou 他
日本語で読む → - 論文VLA/触覚/操作ロボティクス
TacVLA: 接触認識型触覚融合による堅牢な視覚言語行動操作
視覚と言語に依存するVLAモデルに触覚を統合し、接触検出時のみ触覚トークンを活性化するゲーティング機構を導入して、細かい操作や視覚遮蔽下での性能を向上させた。
原題: TacVLA: Contact-Aware Tactile Fusion for Robust Vision-Language-Action Manipulation / Kaidi Zhang, Heng Zhang, Zhengtong Xu 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/能動的知覚/操作ロボティクス
SaPaVe: ロボットの視覚言語行動モデルにおける能動的知覚と操作の実現
能動的知覚と操作を統合するエンドツーエンドフレームワークSaPaVeを提案し、カメラと操作の行動を分離しつつ協調学習することで、動的視点下でのロバストな能動的操作を実現した。
原題: SaPaVe: Towards Active Perception and Manipulation in Vision-Language-Action Models for Robotics / Mengzhen Liu, Enshen Zhou, Cheng Chi 他
日本語で読む → - 論文VLA/エッジ・クラウド協調推論cs.DC
RAPID: 多様なVLAモデルのための冗長性認識・互換性最適なエッジ・クラウド分割推論
VLAモデルの推論コスト削減のため、冗長性を考慮し互換性を最適化したエッジ・クラウド分割推論フレームワークRAPIDを提案し、最大1.73倍の高速化を実現した。
原題: RAPID: Redundancy-Aware and Compatibility-Optimal Edge-Cloud Partitioned Inference for Diverse VLA Models / Zihao Zheng, Sicheng Tian, Hangyu Cao 他
日本語で読む → - 論文VLA/操作ロボティクス
AtomVLA: 予測的潜在世界モデルによるロボット操作のためのスケーラブルなポストトレーニング
VLAモデルの長期的なタスク実行における指示の粒度不足による誤差蓄積を解決するため、大規模言語モデルでタスクを細分化し、予測的世界モデルで潜在空間内のサブタスク達成度を評価する新しいフレームワークを提案した。
原題: AtomVLA: Scalable Post-Training for Robotic Manipulation via Predictive Latent World Models / Xiaoquan Sun, Zetian Xu, Chen Cao 他
日本語で読む → - 論文VLA/量子化機械学習
DyQ-VLA: 身体化視覚言語行動モデルのための時間動的認識量子化
VLAモデルの推論コストを削減するため、時間的な感度に応じてビット幅を動的に切り替える量子化フレームワークDyQ-VLAを提案した。
原題: DyQ-VLA: Temporal-Dynamic-Aware Quantization for Embodied Vision-Language-Action Models / Zihao Zheng, Hangyu Cao, Sicheng Tian 他
日本語で読む → - 論文VLA/操作/継続学習ロボティクス
AtomicVLA: ロボットにおける原子スキル学習の可能性を解き放つ
長期的・多段階のロボット操作タスクを扱うため、タスク計画・原子スキル抽象化・細粒度アクションを統合的に生成するフレームワークAtomicVLAを提案。スキル誘導型Mixture-of-Expertsによりスケーラブルな原子スキルライブラリを構築し、継続学習も可能にした。
原題: AtomicVLA: Unlocking the Potential of Atomic Skill Learning in Robots / Likui Zhang, Tao Tang, Zhihao Zhan 他
日本語で読む →
PR・アフィリエイト広告
