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
ProFocus: 視覚と言語によるナビゲーションにおける能動的知覚と焦点化推論
VLNエージェントの非効率な視覚処理と無差別な履歴利用を改善するため、LLMとVLMの協調による訓練不要のフレームワークProFocusを提案。能動的知覚で必要な視覚情報を特定し、BD-MCTSで高価値な経路点に焦点を当てた推論を行う。
原題: ProFocus: Proactive Perception and Focused Reasoning in Vision-and-Language Navigation / Wei Xue, Mingcheng Li, Xuecheng Wu 他
日本語で読む → - 論文VLAロボティクス
SOLE-R1: ビデオ言語推論を唯一の報酬とするオンボット強化学習
ビデオと言語目標からタスク進捗を推論するモデルSOLE-R1を開発し、これを唯一の報酬としてロボットが未見の操作タスクをゼロショットで強化学習できるようにした。
原題: SOLE-R1: Video-Language Reasoning as the Sole Reward for On-Robot Reinforcement Learning / Philip Schroeder, Thomas Weng, Karl Schmeckpeper 他
日本語で読む → - 論文VLA/強化学習/蒸留ロボティクス
VLA-OPD: オフラインSFTとオンラインRLを架橋する、オンポリシー蒸留による視覚言語行動モデル
視覚言語行動モデルの事後学習において、オフラインSFTの分布ずれや破滅的忘却と、オンラインRLのスパース報酬や非効率性を解決するため、専門家教師による密なトークンレベル監督を学生の自己生成軌道に適用し、Reverse-KL目的で安定した学習を実現するフレームワークを提案した。
原題: VLA-OPD: Bridging Offline SFT and Online RL for Vision-Language-Action Models via On-Policy Distillation / Zhide Zhong, Haodong Yan, Junfeng Li 他
日本語で読む → - 論文VLAロボティクス
OxyGen: マルチタスク並列下のVLA推論のための統合KVキャッシュ管理
VLAモデルのマルチタスク並列推論において、KVキャッシュをタスク間・時間軸で共有する統合管理手法を提案し、オンデバイスで最大3.7倍の高速化を実現した。
原題: OxyGen: Unified KV Cache Management for VLA Inference under Multi-Task Parallelism / Xiangyu Li, Huaizhi Tang, Xin Ding 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/推論高速化ロボティクス
DepthCache: 深度ガイドによる学習不要の視覚トークン統合でVLAモデル推論を高速化
VLAモデルの推論遅延を減らすため、深度情報を構造的先行知識として使い、視覚トークンを領域ごとに異なる比率で統合する学習不要のフレームワークを提案。LIBEROベンチマークで最大1.28倍の高速化を達成し、成功率の低下は1%未満に抑えた。
原題: DepthCache: Depth-Guided Training-Free Visual Token Merging for Vision-Language-Action Model Inference / Yuquan Li, Lianjie Ma, Han Ding 他
日本語で読む → - 論文VLAロボティクス
品質多様性プロンプト生成によるVLAモデルのレッドチーミング:ロバストなロボットポリシーのために
VLAモデルの指示文の言い回しに対する脆弱性を、品質多様性最適化を用いて多様で自然な失敗誘発指示を自動生成し、特定・改善する手法を提案した。
原題: Red-Teaming Vision-Language-Action Models via Quality Diversity Prompt Generation for Robust Robot Policies / Siddharth Srikanth, Freddie Liang, Ya-Chuan Hsu 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ファインチューニングにおける適応的容量割り当て
視覚言語行動モデル(VLA)のファインチューニングにおいて、固定ランクのLoRAではなく、入力と層に応じてランクを適応的に割り当てるLoRA-SPを提案し、ロボット操作タスクで性能を向上させた。
原題: Adaptive Capacity Allocation for Vision Language Action Fine-tuning / Donghoon Kim, Minji Bae, Unghui Nam 他
日本語で読む → - 論文VLAロボティクス
StreamingVLA: アクションフローマッチングと適応的早期観察によるストリーミング型視覚言語行動モデル
VLAモデルの推論遅延を、アクション生成と実行、観察を非同期に並列化するストリーミング方式で削減し、実行の流暢性を向上させた。
原題: StreamingVLA: Streaming Vision-Language-Action Model with Action Flow Matching and Adaptive Early Observation / Yiran Shi, Dongqi Guo, Tianchen Zhao 他
日本語で読む → - 論文VLA/マニピュレーションロボティクス
DAM-VLA: 動的行動モデルに基づくロボット操作のための視覚言語行動フレームワーク
VLMの推論と拡散ベースの行動モデルを統合し、タスクに応じて腕の移動とグリッパー操作を動的に切り替えるVLAフレームワークを提案。シミュレーションと実環境で高い成功率を達成した。
原題: DAM-VLA: A Dynamic Action Model-Based Vision-Language-Action Framework for Robot Manipulation / Xiongfeng Peng, Jiaqian Yu, Dingzhe Li 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
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
MMaDA-VLA:マルチモーダル指示と生成を統合した大規模拡散視覚-言語-行動モデル
離散拡散を用いて将来の目標観察と行動チャンクを同一トークン空間で同時にデノイズするVLAモデルを提案し、LIBEROで98.0%の成功率を達成した。
原題: MMaDA-VLA: Large Diffusion Vision-Language-Action Model with Unified Multi-Modal Instruction and Generation / Yang Liu, Pengxiang Ding, Tengyue Jiang 他
日本語で読む → - 論文VLAロボティクス
不確実性を臨界の瞬間へ:VLAモデルのための信頼できる不確実性定量化
VLAモデルのロールアウト成否予測において、最大値ベースのスライディングウィンドウと運動安定性重み付け、自由度適応キャリブレーションを組み合わせ、短時間の危険な不確実性スパイクを捉える手法を提案。
原題: Shifting Uncertainty to Critical Moments: Towards Reliable Uncertainty Quantification for VLA Model / Yanchuan Tang, Taowen Wang, Yuefei Chen 他
日本語で読む → - 論文VLAロボティクス
AnyCamVLA: 視点ロバストな視覚言語行動モデルのためのゼロショットカメラ適応
カメラ視点の変化に弱いVLAモデルに対し、追加データや微調整なしで、テスト時の観測を訓練時のカメラ設定に合わせて仮想的に変換するゼロショット適応フレームワークを提案した。
原題: AnyCamVLA: Zero-Shot Camera Adaptation for Viewpoint Robust Vision-Language-Action Models / Hyeongjun Heo, Seungyeon Woo, Sang Min Kim 他
日本語で読む → - 論文VLA/エッジクラウド協調cs.DC
RoboECC: VLAモデルのための多要素対応エッジ・クラウド協調配置
VLAモデルの推論コストを削減するため、モデル構造とネットワーク状態を考慮したエッジ・クラウド協調配置フレームワークRoboECCを提案し、最適な分割点の特定と帯域変動への適応により最大3.28倍の高速化を実現した。
原題: RoboECC: Multi-Factor-Aware Edge-Cloud Collaborative Deployment for VLA Models / Zihao Zheng, Hangyu Cao, Jiayu Chen 他
日本語で読む → - 論文VLAロボティクス
VLN-Cache: 視覚・意味ダイナミクスを考慮したVLNモデルのトークンキャッシング
VLNタスクで大規模視覚言語モデルの推論コストを削減するため、視点移動によるトークン位置ずれとタスク進行に伴う意味的変化を考慮したトークンキャッシング手法を提案した。
原題: VLN-Cache: Enabling Token Caching for VLN Models with Visual/Semantic Dynamics Awareness / Zihao Zheng, Zhihao Mao, Xingyue Zhou 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/エッジ推論/姿勢補正ロボティクス
Agile-VLA: 暗黙的アフォーダンスアンカリングによる少数ショット産業用姿勢補正
エッジデバイス上でVLAモデルを動かす際の高遅延と高周波制御の矛盾を解決するため、幾何学的視覚手がかりをパラメトリック動作プリミティブに直接マッピングする階層的フレームワークを提案し、5ショットのデモで複雑なワークの姿勢補正を実現した。
原題: Agile-VLA: Few-Shot Industrial Pose Rectification via Implicit Affordance Anchoring / Teng Yan, Zhengyang Pei, Chengyu Shi 他
日本語で読む → - 論文VLA/強化学習ロボティクス
π-StepNFT: フローベースVLAのオンライン強化学習における広い空間には細かいステップが必要
フローベースの視覚言語行動モデルに対する新しい強化学習フレームワークを提案し、尤度計算や価値ネットワークを不要にして、単一の順伝播でステップごとのガイダンスを提供する。
原題: $\pi$-StepNFT: Wider Space Needs Finer Steps in Online RL for Flow-based VLAs / Siting Wang, Xiaofeng Wang, Zheng Zhu 他
日本語で読む → - 論文VLAロボティクス
FutureVLA: 視覚言語行動モデルのための統合視覚運動予測
ロボットの行動予測において、視覚と運動の相互作用を捉える新しいアーキテクチャFutureVLAを提案。視覚情報と運動情報を分離しつつ、時間的連続性を保った統合予測を実現する。
原題: FutureVLA: Joint Visuomotor Prediction for Vision-Language-Action Model / Xiaoxu Xu, Hao Li, Jinhui Ye 他
日本語で読む → - 論文VLAロボティクス
意味と計測:視覚言語ナビゲーションのためのマルチエージェント確率的グラウンディング
ロボットが自然言語の指示を3D空間内の物理的な行動に変換する際、VLMは意味理解は強いが距離などの計量的制約の推論が弱い問題を指摘し、言語クエリを分解して各要素をVLMでグラウンディングし確率的に統合するMAPGフレームワークを提案した。
原題: Meanings and Measurements: Multi-Agent Probabilistic Grounding for Vision-Language Navigation / Swagat Padhan, Lakshya Jain, Bhavya Minesh Shah 他
日本語で読む → - 論文VLAロボティクス
SG-VLA: 移動操作のための空間基盤型視覚言語行動モデルの学習
移動操作ロボットのための視覚言語行動モデルを、補助タスクの共学習とマルチモーダル入力強化により空間理解を強化するフレームワークを提案し、家庭内再配置タスクで性能を向上させた。
原題: SG-VLA: Learning Spatially-Grounded Vision-Language-Action Models for Mobile Manipulation / Ruisen Tu, Arth Shukla, Sohyun Yoo 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機械学習
推論効率から身体効率へ:Vision-Language-Actionモデルの効率指標の再検討
VLAモデルの効率をパラメータ数やFLOPsではなく、タスク完了時間や軌道の滑らかさなど実機での身体的行動で評価すべきだと示し、従来の効率化手法が実機性能を必ずしも向上させないことを実験的に明らかにした。
原題: From Inference Efficiency to Embodied Efficiency: Revisiting Efficiency Metrics for Vision-Language-Action Models / Zhuofan Li, Hongkun Yang, Zhenyang Chen 他
日本語で読む → - 論文VLA/UAVナビゲーション画像認識
AerialVLA: 最小限のエンドツーエンド制御によるUAVナビゲーションのための視覚言語行動モデル
UAVナビゲーションのための視覚言語行動モデルを提案し、生の視覚情報と言語指示を直接連続的な物理制御信号にマッピングする。オラクルガイダンスや外部物体検出器に依存せず、ファジーな方向指示と統合制御空間により、未見環境での汎化性能を大幅に向上させた。
原題: AerialVLA: A Vision-Language-Action Model for UAV Navigation via Minimalist End-to-End Control / Peng Xu, Zhengnan Deng, Jiayan Deng 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
ロボット操作における視覚言語モデルのための混乱認識型インコンテキスト学習
視覚言語モデルがロボット操作で混乱しやすい物体を誤認識する問題を、混乱要因を特定してプロンプトに反映する手法CAICLを提案し、VIMA-Benchで85.5%の成功率を達成した。
原題: Confusion-Aware In-Context-Learning for Vision-Language Models in Robotic Manipulation / Yayun He, Zuheng Kang, Botao Zhao 他
日本語で読む → - 論文VLA/セキュリティロボティクス
SABER: 視覚言語行動モデルに対するステルスなエージェント型ブラックボックス攻撃フレームワーク
VLAモデルへの指示文の小さな改変でロボットの行動を劣化させる攻撃を自動生成するフレームワークを提案し、LIBEROベンチマークで成功率低下などの効果を実証した。
原題: SABER: A Stealthy Agentic Black-Box Attack Framework for Vision-Language-Action Models / Xiyang Wu, Guangyao Shi, Qingzi Wang 他
日本語で読む →
PR・アフィリエイト広告
