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
スタイル条件付き拡散ポリシーによる予測可能性と可読性のエンコード
事前学習済み拡散ポリシーを凍結し、軽量なシーンエンコーダと条件予測器で軌道生成を可読性か効率性に制御するモジュール型フレームワークを提案。曖昧な状況では可読性を高め、不要な時は効率を保つ。
原題: Encoding Predictability and Legibility for Style-Conditioned Diffusion Policy / Adrien Jacquet Crétides, Mouad Abrini, Hamed Rahimi 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ロボティクス
生成3D世界によるロボットVLAのSim-to-Real強化学習のスケーリング
生成3Dモデルと言語駆動シーン設計で多様なシミュレーション環境を自動生成し、VLAモデルの強化学習をスケールさせて実世界への転移性能を大幅に向上させた。
原題: Scaling Sim-to-Real Reinforcement Learning for Robot VLAs with Generative 3D Worlds / Andrew Choi, Xinjie Wang, Zhizhong Su 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
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
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VLAAI
OOWM: オブジェクト指向プログラムによる世界モデリングで身体性推論と計画を構造化
LLMの身体性タスク推論を、UMLのクラス図とアクティビティ図を用いたオブジェクト指向の世界モデルとして明示的に構造化し、SFTとGRPOで訓練する枠組みを提案。
原題: OOWM: Structuring Embodied Reasoning and Planning via Object-Oriented Programmatic World Modeling / Hongyu Chen, Liang Lin, Guangrun Wang
日本語で読む → - 論文VLA機械学習
QuantVLA: 視覚言語行動モデルのためのスケール校正済み訓練不要ポストトレーニング量子化
VLAモデルを訓練なしで低ビット量子化する初のPTQフレームワークを提案し、拡散トランスフォーマの行動ヘッドも量子化してメモリを約70%削減しつつ成功率を向上させた。
原題: QuantVLA: Scale-Calibrated Post-Training Quantization for Vision-Language-Action Models / Jingxuan Zhang, Yunta Hsieh, Zhongwei Wan 他
日本語で読む → - 論文VLA機械学習
ジャンピーワールドモデルによる構成的一般計画
事前学習済み方策を時間的に拡張された行動として組み合わせ、複数タイムスケールの状態占有を予測する「ジャンピーワールドモデル」を学習することで、長期的な操作・ナビゲーションタスクの計画性能を大幅に向上させた研究。
原題: Compositional Planning with Jumpy World Models / Jesse Farebrother, Matteo Pirotta, Andrea Tirinzoni 他
日本語で読む → - 論文VLA機械学習
生成モデルにおけるGRPOの進展:サーベイ
Flow-GRPOをはじめとする生成モデル向けGRPO系強化学習アラインメントの手法と応用を、報酬設計や多様性保持などの観点から体系的に整理したサーベイ。
原題: Advances in GRPO for Generation Models: A Survey / Zexiang Liu, Xianglong He, Yangguang Li
日本語で読む → - 論文VLA量子化機械学習
HBVLA: 視覚-言語-行動モデルへの1ビット訓練後量子化の限界突破
VLAモデルを1ビットに二値化する際、行動生成に重要な重みをヘッセ行列で特定し、ハール領域でのグループ単位量子化を行うことで、精度劣化を抑えつつ省メモリ化を実現した。
原題: HBVLA: Pushing 1-Bit Post-Training Quantization for Vision-Language-Action Models / Xin Yan, Zhenglin Wan, Feiyang Ye 他
日本語で読む → - 論文VLA自然言語
視覚言語モデルにおける文脈依存アフォーダンス計算
視覚言語モデルが場面の文脈(エージェントの役割など)に応じて物体のアフォーダンス記述を大きく変化させる現象を定量化し、その変化が生成ノイズではなく安定した潜在因子に基づくことを示した。
原題: Context-Dependent Affordance Computation in Vision-Language Models / Murad Farzulla
日本語で読む → - 論文VLAAI
予算制約付きエージェント型大規模言語モデル:高コストツール利用のための意図ベース計画
厳しい金銭的予算下で外部ツールを呼び出して多段階タスクを解くLLMエージェントのための、意図認識型階層的世界モデルによる推論時計画フレームワークINTENTを提案。
原題: Budget-Constrained Agentic Large Language Models: Intention-Based Planning for Costly Tool Use / Hanbing Liu, Chunhao Tian, Nan An 他
日本語で読む → - 論文VLA機械学習
アフォーダンスを活用したLLMによる部分的世界モデリング
大規模言語モデルを部分的世界モデルとして捉え、アフォーダンスに基づく予測を抽出することで探索効率とタスク性能を向上させる手法を提案した論文。
原題: Affordances Enable Partial World Modeling with LLMs / Khimya Khetarpal, Gheorghe Comanici, Jonathan Richens 他
日本語で読む → - 論文VLA機械学習
オンデバイスLLMのためのハードウェア協調設計スケーリング則:ルーフライン・モデリングによるアプローチ
オンデバイスLLMのアーキテクチャ選択を高速化するため、訓練損失のスケーリング則と推論レイテンシのルーフラインモデルを組み合わせ、精度とレイテンシのパレートフロンティアを導出するハードウェア協調設計手法を提案した。
原題: Hardware Co-Design Scaling Laws via Roofline Modelling for On-Device LLMs / Luoyang Sun, Jiwen Jiang, Yifeng Ding 他
日本語で読む → - 論文VLA機械学習
世界モデルによる実行可能な計画への生成動画のグラウンディング
生成動画を計画として使う際の物理的・時間的な不整合を、学習した行動条件付き世界モデルで潜在空間の軌道最適化により実行可能な行動列へ変換する手法を提案。
原題: Grounding Generated Videos in Feasible Plans via World Models / Christos Ziakas, Amir Bar, Alessandra Russo
日本語で読む → - 論文VLAロボティクス
BFA++: マルチビュー視覚言語行動モデルのための階層的ベスト特徴認識トークンプルーニング
VLAモデル向けに、視点内・視点間の2段階重要度予測で動的にトークンを削減し、マルチビュー入力の計算効率と操作成功率を両立させるフレームワークを提案した。
原題: BFA++: Hierarchical Best-Feature-Aware Token Prune for Multi-View Vision Language Action Model / Haosheng Li, Weixin Mao, Zihan Lan 他
日本語で読む → - 論文VLAロボティクス
頑健なスキル、脆い接地:マルチオブジェクトピッキングによる視覚言語行動ポリシーの限定的汎化の診断
VLAポリシーが物体と言語の対応を本当に学習しているのかを調べるため、物体配置のばらつきを段階的に増やすマルチオブジェクトピッキング実験を行い、操作スキルと指示追従が分離していることを示した。
原題: Robust Skills, Brittle Grounding: Diagnosing Restricted Generalization in Vision-Language Action Policies via Multi-Object Picking / David Emukpere, Romain Deffayet, Jean-Michel Renders
日本語で読む → - 論文VLAロボティクス
リー群上の分散協調マルチロボット視覚慣性測距オドメトリ
複数ロボットのVIOとUWB測距をリー群上の右不変誤差定式化で密に融合し、アンカー位置を状態に含めて自己校正しながら分散協調で高精度・高ロバストな自己位置推定を実現するフレームワークを提案。
原題: Distributed and Consistent Multi-Robot Visual-Inertial-Ranging Odometry on Lie Groups / Ziwei Kang, Yizhi Zhou
日本語で読む → - 論文VLAロボティクス
LDA-1B:汎用身体データ取り込みによる潜在ダイナミクス行動モデルのスケーリング
異種の身体データからダイナミクス・方策・視覚予測を統合学習する10億パラメータのロボット基盤モデルを提案し、接触・器用・長距離タスクで性能を向上させた。
原題: LDA-1B: Scaling Latent Dynamics Action Model via Universal Embodied Data Ingestion / Jiangran Lyu, Kai Liu, Xuheng Zhang 他
日本語で読む → - 論文VLAロボティクス
World-VLA-Loop:ビデオ世界モデルとVLAポリシーの閉ループ学習
ビデオ世界モデルとVLAポリシーを相互に改善する閉ループ学習フレームワークを提案し、実世界での強化学習のコストを削減しつつVLA性能を向上させた。
原題: World-VLA-Loop: Closed-Loop Learning of Video World Model and VLA Policy / Xiaokang Liu, Zechen Bai, Hai Ci 他
日本語で読む → - 論文VLAAI
IntentCUA: コンピュータ操作エージェントのための意図レベル表現によるスキル抽象化とマルチエージェント計画
コンピュータ操作エージェント向けに、意図レベルの表現でスキルを抽象化し共有メモリ上で複数エージェントが協調するフレームワークを提案し、長期的タスクの成功率と効率を改善した。
原題: IntentCUA: Learning Intent-level Representations for Skill Abstraction and Multi-Agent Planning in Computer-Use Agents / Seoyoung Lee, Seobin Yoon, Seongbeen Lee 他
日本語で読む → - 論文VLAロボティクス
HMVLA: 双曲空間マルチモーダル融合による視覚-言語-行動モデル
視覚・言語・行動モデルにおいて、画像と言語の階層構造を双曲空間に埋め込んで意味的整合を図り、MoE機構で効率化するフレームワークを提案した。
原題: HMVLA: Hyperbolic Multimodal Fusion for Vision-Language-Action Models / Kun Wang, Xiao Feng, Mingcheng Qu 他
日本語で読む → - 論文VLAAI
CRL-VLA:継続的視覚-言語-行動学習
VLAモデルの継続的な強化学習微調整において、安定性と可塑性のトレードオフを非対称な制御と二重クリティック構造で解決するフレームワークを提案。
原題: CRL-VLA: Continual Vision-Language-Action Learning / Qixin Zeng, Shuo Zhang, Hongyin Zhang 他
日本語で読む → - 論文VLAロボティクス
模倣を超えて:VLAモデルのための強化学習ベースのSim-Real協調学習
実機とシミュレーションのデモでSFT後、シミュレーションで強化学習しつつ実機データの補助損失で忘却を防ぐ協調学習フレームワークを提案し、実機卓上操作タスクで成功率と汎化性能を向上させた。
原題: Beyond Imitation: Reinforcement Learning-Based Sim-Real Co-Training for VLA Models / Liangzhi Shi, Shuaihang Chen, Feng Gao 他
日本語で読む → - 論文VLAロボティクス
混雑したオンランプ合流における安全で効率的なCAV車線変更のための協調型セーフティシールド
制御バリア関数に基づくマルチエージェント・セーフティシールドを強化学習の車線変更制御に統合し、安全性を保証しつつ交通効率を改善する手法を提案した。
原題: A Collaborative Safety Shield for Safe and Efficient CAV Lane Changes in Congested On-Ramp Merging / Bharathkumar Hegde, Melanie Bouroche
日本語で読む → - 論文VLAロボティクス
実世界の屋内ツアー動画から得たマルチモーダルイベント知識による視覚言語ナビゲーションの強化
実世界の屋内動画からマルチモーダル時空間知識グラフを構築し、粗い指示や長期的推論を要する視覚言語ナビゲーションにイベント知識を統合する手法を提案した論文。
原題: Enhancing Vision-Language Navigation with Multimodal Event Knowledge from Real-World Indoor Tour Videos / Haoxuan Xu, Tianfu Li, Wenbo Chen 他
日本語で読む → - 論文VLAロボティクス
空中水中ハイブリッド車両のためのクロスドメイン持続モニタリング
空中と水中の両方で活動できるハイブリッド車両に対し、深層強化学習と転移学習を組み合わせ、LiDARとソナー入力を用いた共通ポリシーで持続的モニタリングを実現する手法を提案した。
原題: Cross domain Persistent Monitoring for Hybrid Aerial Underwater Vehicles / Ricardo B. Grando, Victor A. Kich, Alisson H. Kolling 他
日本語で読む →
PR・アフィリエイト広告
