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
KEEP: 具現化プランニングのためのKVキャッシュ中心メモリ管理システム
LLMによる長期的な具現化プランニングで、メモリをKVキャッシュとして効率的に管理し、再計算を抑えつつ高速化と精度維持を両立するシステムKEEPを提案。
原題: KEEP: A KV-Cache-Centric Memory Management System for Efficient Embodied Planning / Zebin Yang, Tong Xie, Baotong Lu 他
日本語で読む → - 論文VLAロボティクス
World-Gymnast: 世界モデル内での強化学習によるロボット訓練
実世界の動画と行動データから学習した世界モデル内でVLA方針を強化学習し、実機性能で教師あり学習やシミュレータを上回ることを示した。
原題: World-Gymnast: Training Robots with Reinforcement Learning in a World Model / Ansh Kumar Sharma, Yixiang Sun, Ninghao Lu 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
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
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 → - 論文自動運転/VLAロボティクス
SteerVLA:長尾運転シーンで視覚言語行動モデルを操舵する
VLMの常識推論で細かい言語指示を生成し、VLA運転ポリシーを操舵する手法を提案。閉ループベンチマークで長尾シーンの性能を大幅に改善した。
原題: SteerVLA: Steering Vision-Language-Action Models in Long-Tail Driving Scenarios / Tian Gao, Celine Tan, Catherine Glossop 他
日本語で読む → - 論文VLAロボティクス
TwinRL: デジタルツイン駆動強化学習による実世界ロボットマニピュレーション
スマホ撮影から高忠実度デジタルツインを構築し、SFT・ツインRL・実世界RLの3段階でVLAモデルの探索空間を拡張・誘導する協調ポストトレーニング手法を提案。
原題: TwinRL: Digital Twin-Driven Reinforcement Learning for Real-World Robotic Manipulation / Qinwen Xu, Jiaming Liu, Rui Zhou 他
日本語で読む → - 論文VLAロボティクス
ALOE: 視覚言語行動モデルの事後学習のための行動レベルオフポリシー評価
実世界の人間参加型強化学習でVLAモデルを改善するため、現在のポリシーを直接評価するオフポリシー評価フレームワークALOEを提案し、4つの実世界マニピュレーションタスクで検証した。
原題: ALOE: Action-Level Off-Policy Evaluation for Vision-Language-Action Model Post-Training / Rushuai Yang, Hecheng Wang, Zhichao Wu 他
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
Fly0: ゼロショット空中視覚言語ナビゲーションのための持続的メトリックアンカリング
MLLMによる意味理解と幾何プランナを分離し、指示を3D座標に固定して衝突回避経路を生成する空中VLNフレームワークを提案。視覚喪失時も安定航行でき、成功率20%以上向上・航法誤差約50%削減を実現。
原題: Fly0: Persistent Metric Anchoring for Zero-Shot Aerial Vision-Language Navigation / Zhenxing Xu, Yihong Lu, Weidong Bao 他
日本語で読む → - 論文VLA画像認識
不確実性を考慮した観測再注入による視覚-言語-行動モデルの強化
VLAモデルの言語層の不確実性が高いときに、観測情報を次層のFFNに再注入する訓練不要のプラグインモジュールを提案し、追加データやモジュールなしで行動生成の精度と信頼性を向上させた。
原題: UAOR: Uncertainty-aware Observation Reinjection for Vision-Language-Action Models / Jiabing Yang, Yixiang Chen, Yuan Xu 他
日本語で読む → - 論文VLAロボティクス
自己教師ありブートストラップによる行動予測的な身体性推論
VLAモデルの身体性Chain-of-Thought推論を、外部報酬や人手注釈なしに自己教師ありで洗練し、操作・歩行ナビ・自動運転で性能を向上させる手法を提案。
原題: Self-Supervised Bootstrapping of Action-Predictive Embodied Reasoning / Milan Ganai, Katie Luo, Jonas Frey 他
日本語で読む → - 論文VLAロボティクス
TOPReward: トークン確率を隠れたゼロショット報酬として用いるロボティクス
事前学習済み動画言語モデルのトークン確率を利用し、タスク指示に対する進捗を密な報酬として推定する訓練不要の手法を提案。実世界の操作ベンチマークで従来の訓練不要手法を上回る性能を示した。
原題: TOPReward: Token Probabilities as Hidden Zero-Shot Rewards for Robotics / Shirui Chen, Cole Harrison, Ying-Chun Lee 他
日本語で読む → - 論文VLAロボティクス
視覚言語モデルによる意味・物理の二重補正を用いた人間-ロボット協調タスクの再計画
VLMの推論に事前の論理検証と事後の視覚検証を組み合わせ、人間の指示に基づく把持姿勢や道具選択を再計画する枠組みを提案し、ヒューマノイドでの実機実験で有効性を検証した。
原題: Replanning Human-Robot Collaborative Tasks with Vision-Language Models via Semantic and Physical Dual-Correction / Taichi Kato, Takuya Kiyokawa, Namiko Saito 他
日本語で読む → - 論文VLAロボティクス
iSTAR: パラメータ内構造推論による機能分化でVLAを強化
VLAモデルのパラメータにタスク構造を直接埋め込み、外部プランナーやプロンプトなしでタスク分解と推論を行えるようにした手法iSTARを提案。
原題: Differentiate-and-Inject: Enhancing VLAs via Functional Differentiation Induced by In-Parameter Structural Reasoning / Jingyi Hou, Leyu Zhou, Chenchen Jing 他
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
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機械学習
自動運転VLM向け合成MCQAにおけるテキストバイアスの低減
自動運転向けVLM評価用の合成MCQAベンチマークに潜む言語的手がかりを除去し、視覚情報に基づく推論を強制する手法を提案した。
原題: Reducing Text Bias in Synthetically Generated MCQAs for VLMs in Autonomous Driving / Sutej Kulgod, Sean Ye, Sanchit Tanwar 他
日本語で読む → - 論文VLAロボティクス
ConLA: 人間動画からの対照的潜在行動学習によるロボットマニピュレーション
人間の動画からロボットの行動を教師なしで学習する際、対照学習で動きと見た目を分離し、実ロボット軌道での事前学習を上回る性能を実現した。
原題: ConLA: Contrastive Latent Action Learning from Human Videos for Robotic Manipulation / Weisheng Dai, Kai Lan, Jianyi Zhou 他
日本語で読む → - 論文VLAロボティクス
対照的プロンプト統合による適応型クロスエンボディメント視覚運動ポリシーの学習
視覚・時系列行動・テキストの対照学習でプロンプト群を獲得し、観測に応じて動的に統合することで、異なる身体・センサ構成に適応する視覚運動ポリシーを学習する手法CAPOを提案した。
原題: Learning Adaptive Cross-Embodiment Visuomotor Policy with Contrastive Prompt Orchestration / Yuhang Zhang, Chao Yan, Jiaxi Yu 他
日本語で読む → - 論文VLAロボティクス
自然言語コマンドの物体グラウンディングのための関係シーングラフ
3Dシーングラフに空間関係を追加することで、LLMが自然言語コマンドから対象物体を正しく特定できるかを検証した研究。
原題: Relational Scene Graphs for Object Grounding of Natural Language Commands / Julia Kuhn, Francesco Verdoja, Tsvetomila Mihaylova 他
日本語で読む → - 論文VLAロボティクス
VLAW:視覚-言語-行動ポリシーと世界モデルの反復的相互改善
実ロボットのロールアウトデータで世界モデルの精度を高め、その世界モデルが生成する合成データでVLAモデルを改善する反復手法を提案し、実タスクで成功率を39.2%向上させた。
原題: VLAW: Iterative Co-Improvement of Vision-Language-Action Policy and World Model / Yanjiang Guo, Tony Lee, Lucy Xiaoyang Shi 他
日本語で読む → - 論文VLAロボティクス
GeneralVLA:知識誘導型軌道計画による汎化可能な視覚-言語-行動モデル
基盤モデルの汎化能力を活かし、アフォーダンス認識・3D軌道計画・制御を階層化したVLAモデルを提案。実機データや人間の実演なしでゼロショットのマニピュレーションを実現する。
原題: GeneralVLA: Generalizable Vision-Language-Action Models with Knowledge-Guided Trajectory Planning / Guoqing Ma, Siheng Wang, Zeyu Zhang 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
概念ベース辞書学習によるVLAモデルの推論時安全性制御
VLAモデルの隠れ層活性からスパースで解釈可能な辞書を学習し、有害な概念方向を検出・抑制することで、再学習なしに推論時の安全性を高める手法を提案。
原題: Concept-Based Dictionary Learning for Inference-Time Safety in Vision Language Action Models / Siqi Wen, Shu Yang, Shaopeng Fu 他
日本語で読む → - 論文VLAロボティクス
VLM-DEWM: 製造業における検証可能で堅牢な視覚言語プランニングのための動的外部世界モデル
VLMの推論と世界状態管理を分離し、永続的で照会可能な外部世界モデルで検証・回復を行う認知アーキテクチャを提案し、状態追跡精度と回復成功率を大幅に改善した。
原題: VLM-DEWM: Dynamic External World Model for Verifiable and Resilient Vision-Language Planning in Manufacturing / Guoqin Tang, Qingxuan Jia, Gang Chen 他
日本語で読む → - 論文VLAロボティクス
LiLo-VLA: 物体中心ポリシー連携による長期的マニピュレーションの構成
物体中心のVLAポリシーをモジュール化して連結し、未学習の長期的マニピュレーション課題にゼロショットで汎化するフレームワークを提案。
原題: LiLo-VLA: Compositional Long-Horizon Manipulation via Linked Object-Centric Policies / Yue Yang, Shuo Cheng, Yu Fang 他
日本語で読む → - 論文VLAロボティクス
FUTURE-VLA: 実時間実行下での統合軌道予測
長時間の映像履歴を効率的に圧縮し、潜在空間での自己回帰により将来の視覚予測と行動生成を単一のフォワードパスで行うVLAアーキテクチャを提案。予測に基づく人間参加型の実行ゲーティングも実現した。
原題: FUTURE-VLA: Forecasting Unified Trajectories Under Real-time Execution / Jingjing Fan, Yushan Liu, Shoujie Li 他
日本語で読む → - 論文VLAロボティクス
万物を導く一つのエージェント:明示的な世界表現によるMLLMの視覚言語ナビゲーション強化
MLLMを用いたナビゲーションで、低レベル空間推定と高レベル意味計画を分離し、インタラクティブな計量世界表現と反事実推論を導入することで、ゼロショットで最先端性能を達成し、実機移行も実証した。
原題: One Agent to Guide Them All: Empowering MLLMs for Vision-and-Language Navigation via Explicit World Representation / Zerui Li, Hongpei Zheng, Fangguo Zhao 他
日本語で読む → - 論文VLAロボティクス
長寿命ロボットに向けて:強化学習ファインチューニングによるVLAモデルの継続学習
VLAモデルの下流タスク適応における破滅的忘却とデータ依存を解決するため、オンライン環境フィードバック不要の強化学習ファインチューニング手法LifeLong-RFTを提案し、継続学習でSFT比22%の成功率向上を達成した。
原題: Towards Long-Lived Robots: Continual Learning VLA Models via Reinforcement Fine-Tuning / Yuan Liu, Haoran Li, Shuai Tian 他
日本語で読む →
PR・アフィリエイト広告
