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: 2026/2/1 / 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
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 → - 論文VLAロボティクス
アクションチャンキングフローポリシーのためのネイティブ継続学習
フローベースVLAポリシーのアクションチャンク境界の不連続を訓練時に滑らかにするLegatoを提案し、実機マニピュレーションでRTCを上回る性能を示した。
原題: Learning Native Continuation for Action Chunking Flow Policies / Yufeng Liu, Hang Yu, Juntu Zhao 他
日本語で読む → - 論文VLAロボティクス
AutoFly: 実環境でのUAV自律ナビゲーションのための視覚-言語-行動モデル
RGB入力から擬似深度特徴を抽出するエンコーダと二段階学習を組み合わせ、粗い指示のみでUAVが自律的に経路計画と障害物回避を行うVLAモデルを提案し、自律行動に焦点を当てた新データセットも構築した。
原題: AutoFly: Vision-Language-Action Model for UAV Autonomous Navigation in the Wild / Xiaolou Sun, Wufei Si, Wenhui Ni 他
日本語で読む → - 論文VLAロボティクス
語り、夢見て、行動する:指示駆動型ロボット操作のためのビデオ世界モデル学習
ビデオ生成モデルを蒸留して高速化し、生成された未来映像と実観測を組み合わせて行動モデルを訓練することで、指示に基づくロボット操作の精度と効率を向上させるフレームワークを提案。
原題: Say, Dream, and Act: Learning Video World Models for Instruction-Driven Robot Manipulation / Songen Gu, Yunuo Cai, Tianyu Wang 他
日本語で読む → - 論文VLAロボティクス
VLS: 視覚言語モデルによる事前学習済みロボット方策の誘導
凍結した拡散・フローマッチング方策のサンプリングを、視覚言語モデルが生成する報酬で推論時に誘導し、再学習なしで空間・タスクの分布シフトに適応させる手法。
原題: VLS: Steering Pretrained Robot Policies via Vision-Language Models / Shuo Liu, Ishneet Sukhvinder Singh, Yiqing Xu 他
日本語で読む → - 論文VLAロボティクス
潜在的他者視点取得:影響拡張ローカルモデルにおけるシュレーディンガー橋
他者の隠れた心的状態を推論するため、ニューロシンボリックな世界モデルとシュレーディンガー橋による視点変換を組み合わせ、社会的ナビゲーションタスクでモデルベース強化学習を行う手法を提案。
原題: Latent Perspective-Taking via a Schr\"odinger Bridge in Influence-Augmented Local Models / Kevin Alcedo, Pedro U. Lima, Rachid Alami
日本語で読む → - 論文VLAロボティクス
RoboPaint: 人間の実演から任意のロボット・任意の視点へ
人間の多感覚デモを触覚対応リターゲティングとIsaac Simレンダリングでロボット訓練データに変換するReal-Sim-Realパイプラインを提案し、VLAモデルが80%の成功率を達成した。
原題: RoboPaint: From Human Demonstration to Any Robot and Any View / Jiacheng Fan, Zhiyue Zhao, Yiqian Zhang 他
日本語で読む → - 論文VLAロボティクス
ForeAct: 効率的な視覚的先読み計画でVLAを誘導する
将来の観測画像とサブタスク記述を生成してVLAの視覚入力に追加するだけで、アーキテクチャ変更なしに実世界タスクの成功率を大幅に向上させる計画モジュールを提案。
原題: ForeAct: Steering Your VLA with Efficient Visual Foresight Planning / Zhuoyang Zhang, Shang Yang, Qinghao Hu 他
日本語で読む → - 論文VLAロボティクス
SA-VLA: 空間認識型フローマッチングによる視覚-言語-行動強化学習
フローマッチング型VLAポリシーの強化学習適応時に空間的帰納バイアスが失われる問題に対し、空間表現の融合・幾何学的進捗に基づく密報酬・空間条件付き探索戦略を組み合わせ、空間分布シフト下での汎化性能を高める手法を提案。
原題: SA-VLA: Spatially-Aware Flow-Matching for Vision-Language-Action Reinforcement Learning / Xu Pan, Zhenglin Wan, Xingrui Yu 他
日本語で読む → - 論文VLAロボティクス
人間とロボットのインタラクションにおける大規模言語モデルを用いた映像と言語の統合アプローチ
Florence-2、Llama 3.1、Whisperを組み合わせ、音声指示によるロボットアーム操作を可能にするマルチモーダルHRIフレームワークを提案し、75%のコマンド実行精度を達成した。
原題: An Approach to Combining Video and Speech with Large Language Models in Human-Robot Interaction / Guanting Shen, Zi Tian
日本語で読む → - 論文VLAロボティクス
LCLA: 視覚言語ナビゲーションのための言語条件付き潜在空間アライメント
専門家方策の潜在空間に視覚言語観測を写像するアダプタを学習することで、視覚運動学習を教師あり潜在アライメントに還元し、屋内ナビゲーションで高い汎化性能を実現した研究。
原題: LCLA: Language-Conditioned Latent Alignment for Vision-Language Navigation / Nitesh Subedi, Adam Haroon, Samuel Tetteh 他
日本語で読む → - 論文VLAロボティクス
VLA推論性能の謎を解く:VLA-Perfによる性能分析
VLAモデルと推論システムの任意の組み合わせの推論性能を解析する性能モデルVLA-Perfを提案し、モデル設計と展開の観点から体系的な評価を行った。
原題: How Fast Can I Run My VLA? Demystifying VLA Inference Performance with VLA-Perf / Wenqi Jiang, Jason Clemons, Karu Sankaralingam 他
日本語で読む → - 論文VLAロボティクス
検証のスケーリングは視覚-言語-行動の整合性において方策学習のスケーリングより効果的になり得る
視覚-言語-行動モデルの指示と行動のずれを減らすため、テスト時に言い換え指示と行動候補を増やして検証する手法CoVerを提案し、方策事前学習のスケーリングより高い性能を示した。
原題: Scaling Verification Can Be More Effective than Scaling Policy Learning for Vision-Language-Action Alignment / Jacky Kwok, Xilun Zhang, Mengdi Xu 他
日本語で読む → - 論文VLAロボティクス
World Guidance: 行動生成のための条件空間における世界モデリング
未来の観測をコンパクトな条件に圧縮して行動推論に注入し、VLAモデルが未来の行動と条件を同時に予測することで、精密な行動生成と高い汎化性能を実現するフレームワークを提案した。
原題: World Guidance: World Modeling in Condition Space for Action Generation / Yue Su, Sijin Chen, Haixin Shi 他
日本語で読む → - 論文VLAロボティクス
RoboGene: 多様性駆動型エージェントフレームワークによる実世界タスク生成でVLA事前学習を強化
多様で物理的に実現可能な操作タスクを自動生成するエージェントフレームワークを提案し、VLAモデルの事前学習データ収集を効率化して汎化性能を向上させた。
原題: RoboGene: Boosting VLA Pre-training via Diversity-Driven Agentic Framework for Real-World Task Generation / Yixue Zhang, Kun Wu, Zhi Gao 他
日本語で読む → - 論文VLAロボティクス
ロボットのための選択的知覚:マルチモーダルVLAにおけるタスク適応型アテンション
手首カメラとテキスト指示から各視点のタスク関連度をリアルタイムに推定し、不要な視点の計算を抑制する動的融合フレームワークを提案。実機マニピュレーションで推論効率と制御性能の両方を改善した。
原題: Selective Perception for Robot: Task-Aware Attention in Multimodal VLA / Young-Chae Son, Jung-Woo Lee, Yoon-Ji Choi 他
日本語で読む → - 論文VLAロボティクス
自動運転における構造化Chain-of-Thoughtの高速化
自動運転のVLAモデル向けに、Chain-of-Thought推論を依存グラフに分解し並列デコードすることで、精度を保ちつつ3〜4倍高速化する手法を提案。
原題: Accelerating Structured Chain-of-Thought in Autonomous Vehicles / Yi Gu, Yan Wang, Yuxiao Chen 他
日本語で読む → - 論文VLAロボティクス
RDT2:UMIデータのスケーリング限界を探り、ゼロショットのクロスエンボディメント汎化を実現
7BパラメータのVLMを基盤とし、1万時間超のUMIデータと3段階学習で、未知の物体・シーン・指示・ロボット機体にゼロショットで汎化するロボット基盤モデルを構築した。
原題: RDT2: Exploring the Scaling Limit of UMI Data Towards Zero-Shot Cross-Embodiment Generalization / Songming Liu, Bangguo Li, Kai Ma 他
日本語で読む → - 論文VLA画像認識
CapNav: 能力条件付き屋内ナビゲーションにおける視覚言語モデルのベンチマーク
エージェントの移動能力(階段可否やサイズなど)を条件として、視覚言語モデルが複雑な屋内環境をナビゲートできるかを評価するベンチマークCapNavを提案し、13モデルを評価した。
原題: CapNav: Benchmarking Vision Language Models on Capability-conditioned Indoor Navigation / Xia Su, Ruiqi Chen, Benlin Liu 他
日本語で読む → - 論文VLAナビゲーションロボティクス
LongNav-R1: 長期的VLAナビゲーションのための適応的マルチターン強化学習
VLAモデルによる長期的ナビゲーションを、環境とのマルチターン対話として強化学習する枠組みを提案し、Horizon-Adaptive Policy Optimizationで時間的信用割当を改善、成功率を64.3%から73.0%に向上させた。
原題: LongNav-R1: Horizon-Adaptive Multi-Turn RL for Long-Horizon VLA Navigation / Yue Hu, Avery Xi, Qixin Xiao 他
日本語で読む → - 論文VLAロボティクス
BusyBox:視覚言語行動モデルのアフォーダンス汎化を評価する物理ベンチマーク
スイッチやスライダーなど6モジュールを交換・回転できる物理ベンチマークBusyBoxを提案し、強いVLAモデルでも見た目が変わるとアフォーダンス汎化が難しいことを実証した。
原題: Benchmarking Affordance Generalization with BusyBox / Dean Fortier, Timothy Adamson, Tess Hellebrekers 他
日本語で読む → - 論文自動運転VLA画像認識
SToRM: マルチモーダルLLMのための教師ありトークン削減による効率的なエンドツーエンド自動運転
自動運転向けマルチモーダルLLMの視覚トークンを教師あり学習で削減し、全トークン使用時と同等の性能を保ちつつ計算効率を高めるフレームワークを提案。
原題: SToRM: Supervised Token Reduction for Multi-modal LLMs toward efficient end-to-end autonomous driving / Seo Hyun Kim, Jin Bok Park, Do Yeon Koo 他
日本語で読む → - 論文VLAロボティクス
UniPlan: 統合PDDL定式化による移動マニピュレーションの視覚言語タスクプランニング
大規模屋内環境での長期的な移動マニピュレーションのため、シーン構造・視覚情報・ロボット能力をPDDLに統合し、VLMで物体を接地して既存のPDDLソルバで計画を生成するシステムを提案した。
原題: UniPlan: Vision-Language Task Planning for Mobile Manipulation with Unified PDDL Formulation / Haoming Ye, Yunxiao Xiao, Cewu Lu 他
日本語で読む → - 論文VLA画像認識
WaterVideoQA:マルチモーダルエージェントによるASV中心の知覚と規則準拠推論
水上航行環境に特化した大規模動画QAベンチマークWaterVideoQAと、マルチエージェント神経記号システムNaviMindを提案し、ASVの認知・推論能力を評価・向上させる。
原題: WaterVideoQA: ASV-Centric Perception and Rule-Compliant Reasoning via Multi-Modal Agents / Runwei Guan, Shaofeng Liang, Ningwei Ouyang 他
日本語で読む → - 論文VLAロボティクス
MOTIF: 少数ショットでの異なる身体間転送のための行動モチーフ学習
異なるロボット身体間での少数ショット転送を可能にするため、身体に依存しない時空間パターン(行動モチーフ)をベクトル量子化で抽出し、フローマッチング方策を導く軽量予測器を設計した手法。
原題: MOTIF: Learning Action Motifs for Few-shot Cross-Embodiment Transfer / Heng Zhi, Wentao Tan, Lei Zhu 他
日本語で読む → - 論文VLAロボティクス
自己修正VLA:スパースな世界想像によるオンライン行動洗練
VLAモデルに将来予測ヘッドを追加し、予測したスパースな未来状態に基づいて報酬を再形成することで、オンラインで行動を自己修正する手法を提案。シミュレーションと実機で成功率と効率が向上。
原題: Self-Correcting VLA: Online Action Refinement via Sparse World Imagination / Chenyv Liu, Wentao Tan, Lei Zhu 他
日本語で読む → - 論文VLAロボティクス
MVP-LAM: 視点間再構成による行動中心の潜在行動学習
複数視点の動画を用いて、ある視点の潜在行動が別視点の未来を説明するように学習させ、真の行動と強く相関する行動中心の潜在行動を獲得する手法を提案。VLA事前学習に用いることで下流のマニピュレーション性能を向上させた。
原題: MVP-LAM: Learning Action-Centric Latent Action via Cross-Viewpoint Reconstruction / Jung Min Lee, Dohyeok Lee, Seokhun Ju 他
日本語で読む → - 論文VLAロボティクス
LIEREx: ロボット探索のための言語-画像埋め込み
CLIPなどの視覚言語基盤モデルと3Dセマンティックシーングラフを統合し、未知環境で目標指向の探索を自律エージェントが行えるようにした研究。
原題: LIEREx: Language-Image Embeddings for Robotic Exploration / Felix Igelbrink, Lennart Niecksch, Marian Renz 他
日本語で読む → - 論文VLAロボティクス
生成型視覚-言語-行動モデルにおける行動ハルシネーション
生成型ロボットポリシーが物理制約に反する行動を生成する「行動ハルシネーション」の構造的原因を分析し、信頼性向上の方向性を示した。
原題: Action Hallucination in Generative Vision-Language-Action Models / Harold Soh, Eugene Lim
日本語で読む →
PR・アフィリエイト広告
