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
IG-RFT:長期的ロボット操作におけるVLAモデルのための対話誘導強化学習フレームワーク
流れベースのVLAモデルを対象に、対話状態に応じて探索を調整する強化学習とハイブリッド報酬を組み合わせ、長期タスクでの成功率を大幅に向上させた。
原題: IG-RFT: An Interaction-Guided RL Framework for VLA Models in Long-Horizon Robotic Manipulation / Zhian Su, Weijie Kong, Haonan Dong 他
日本語で読む → - 論文VLAcs.SE
自律型水中ロボットソフトウェアの知覚における視覚言語モデルの評価
自律型水中ロボットの知覚モジュールに視覚言語モデルを適用し、水中ゴミ検出における性能と不確実性を評価した。
原題: Assessing Vision-Language Models for Perception in Autonomous Underwater Robotic Software / Muhammad Yousaf, Aitor Arrieta, Shaukat Ali 他
日本語で読む → - 論文VLA画像認識
ABot-M0: 行動多様体学習によるロボットマニピュレーションのためのVLA基盤モデル
異種ロボットデータを統合した大規模データセットUniACTを構築し、行動が低次元多様体上に存在するという仮説に基づくAction Manifold Learningで効率的なVLA基盤モデルを実現した。
原題: ABot-M0: VLA Foundation Model for Robotic Manipulation with Action Manifold Learning / Yandan Yang, Shuang Zeng, Tong Lin 他
日本語で読む → - 論文VLAロボティクス
Vision-language-actionモデルの実用性を再考する:包括的ベンチマークと改良ベースライン
VLAモデルの実用性を評価する新ベンチマークCEBenchを提案し、その知見に基づき軽量で実用的なLLaVA-VLAを開発した。
原題: Rethinking the Practicality of Vision-language-action Model: A Comprehensive Benchmark and An Improved Baseline / Wenxuan Song, Jiayi Chen, Xiaoquan Sun 他
日本語で読む → - 論文VLAロボティクス
グローバル事前分布と局所一貫性を活用したデュアルメモリ拡張VLAモデルによる効率的なロボットマニピュレーション
タスクレベルの事前分布メモリと実行履歴の一貫性メモリを組み合わせ、拡散ベースのVLAモデルの推論効率と時間的一貫性を改善した手法OptimusVLAを提案。複数のシミュレーションベンチマークで成功率を大幅に向上させた。
原題: Global Prior Meets Local Consistency: Dual-Memory Augmented Vision-Language-Action Model for Efficient Robotic Manipulation / Zaijing Li, Bing Hu, Rui Shao 他
日本語で読む → - 論文VLAロボティクス
FRAPPE: 複数未来表現アラインメントによる汎用ロボット方策への世界モデリングの注入
未来の観測の潜在表現を予測し、複数の視覚基盤モデルと並列にアラインメントすることで、汎用ロボット方策に世界認識を効率的に組み込む手法を提案。
原題: FRAPPE: Infusing World Modeling into Generalist Policies via Multiple Future Representation Alignment / Han Zhao, Jingbo Wang, Wenxuan Song 他
日本語で読む → - 論文VLAロボティクス
ActionCodec:優れたアクショントークナイザの設計原則
VLA最適化の観点から情報理論に基づく設計原則を導き、それに従う高性能アクショントークナイザActionCodecを提案。LIBEROでロボティクス事前学習なしにSOTAを達成。
原題: ActionCodec: What Makes for Good Action Tokenizers / Zibin Dong, Yicheng Liu, Shiduo Zhang 他
日本語で読む → - 論文VLAロボティクス
VLAは限界を知っている:ロボットポリシーのための適応的実行ホライズン
フローベースVLAモデルの実行ホライズンを自己注意重みから動的に推定するAutoHorizonを提案し、シミュレーションと実機で性能向上を実証した。
原題: VLA Knows Its Limits: Adaptive Execution Horizons for Robot Policies / Haoxuan Wang, Gengyu Zhang, Yan Yan 他
日本語で読む → - 論文自動運転VLAロボティクス
AppleVLM:高度な知覚と計画を強化した視覚言語モデルによるエンドツーエンド自動運転
多視点時系列画像を融合する視覚エンコーダと、Bird's-Eye-View情報を符号化する計画モダリティを導入し、階層的Chain-of-Thoughtで微調整したVLMにより、エンドツーエンド自動運転の知覚・意思決定を強化した。
原題: AppleVLM: End-to-end Autonomous Driving with Advanced Perception and Planning-Enhanced Vision-Language Models / Yuxuan Han, Kunyuan Wu, Qianyi Shao 他
日本語で読む → - 論文VLAロボティクス
適応的視覚トークンキャッシュによるVision-Language-Actionモデルの高速化学習
VLAモデルの推論を、再利用する視覚トークンを動的に選ぶ学習可能なポリシーとして最適化し、精度を保ちながら最大1.76倍の高速化を実現した。
原題: Learning to Accelerate Vision-Language-Action Models through Adaptive Visual Token Caching / Yujie Wei, Jiahan Fan, Jiyu Guo 他
日本語で読む → - 論文VLAセキュリティロボティクス
一度注入すれば生き残る:下流ファインチューニングを耐え抜くVLAモデルへのバックドア攻撃
VLAモデルのファインチューニングで消えにくいモジュールにバックドアを注入し、ユーザー側の追加学習後も攻撃が持続する手法INFUSEを提案した。
原題: Inject Once Survive Later: Backdooring Vision-Language-Action Models to Persist Through Downstream Fine-tuning / Jianyi Zhou, Yujie Wei, Ruichen Zhen 他
日本語で読む → - 論文VLAロボティクス
AsyncVLA:エッジ上での高速・堅牢なナビゲーションのための非同期VLA
大規模基盤モデルを遠隔ワークステーションで動かし、軽量なオンボードアダプタが高頻度で動作を補正する非同期制御フレームワークを提案し、最大6秒の通信遅延下でも高いナビゲーション成功率を実現した。
原題: AsyncVLA: An Asynchronous VLA for Fast and Robust Navigation on the Edge / Noriaki Hirose, Catherine Glossop, Dhruv Shah 他
日本語で読む → - 論文自動運転/VLAロボティクス
HERMES: ロングテール自動運転のための視覚言語モデルを用いたリスク認識型マルチモーダル統合システム
視覚言語モデルを活用し、ロングテールな混在交通環境でのリスクを明示的に考慮した軌道計画を行う、エンドツーエンド自動運転フレームワークを提案。
原題: HERMES: A Holistic End-to-End Risk-Aware Multimodal Embodied System with Vision-Language Models for Long-Tail Autonomous Driving / Weizhe Tang, Junwei You, Jiaxi Liu 他
日本語で読む → - 論文VLAロボティクス
信頼できる視覚-言語-行動モデルのための行動誤差分布の再形成
連続行動VLAモデルの学習に最小誤差エントロピー(MEE)目的関数を導入し、MSEと組み合わせることで成功率とロバスト性を向上させた研究。
原題: Reshaping Action Error Distributions for Reliable Vision-Language-Action Models / Shuanghao Bai, Dakai Wang, Cheng Chi 他
日本語で読む → - 論文VLA画像認識
視覚入力の復元によるVision-Language-Actionモデルのロバスト性向上
VLAモデルは画像ノイズやレンズ汚れなどのセンサー劣化に弱いため、劣化画像からクリーンな観測を復元するプラグアンドプレイ型Transformer(CRT)を提案し、性能低下を防いだ。
原題: Improving Robustness of Vision-Language-Action Models by Restoring Corrupted Visual Inputs / Daniel Yezid Guarnizo Orjuela, Leonardo Scappatura, Veronica Di Gennaro 他
日本語で読む → - 論文VLAロボティクス
StreamVLA: 完了状態ゲーティングによる推論と行動のサイクル分離
高レベル推論と低レベル制御を二重システムで統合し、サブタスク遷移時のみ推論を発火させることで、遅延を48%削減しつつLIBEROで98.5%の成功率を達成したVLAモデル。
原題: StreamVLA: Breaking the Reason-Act Cycle via Completion-State Gating / Tongqing Chen, Hang Wu, Jiasen Wang 他
日本語で読む → - 論文VLA画像認識
DriveWorld-VLA: 自動運転のための視覚-言語-行動と潜在空間世界モデルの統合
VLAと世界モデルを潜在空間で統合し、行動条件付きの想像を特徴量レベルで行う自動運転フレームワークを提案。NAVSIMなどで最高性能を達成。
原題: DriveWorld-VLA: Unified Latent-Space World Modeling with Vision-Language-Action for Autonomous Driving / Feiyang jia, Lin Liu, Ziying Song 他
日本語で読む → - 論文VLA画像認識
PoseVLA: 汎用ポーズ事前学習による汎化可能な視覚-言語-行動ポリシー
VLAモデルの特徴崩壊と学習効率の低さを解決するため、カメラ中心の統一空間で3D空間事前知識を抽出する事前学習と、ロボット固有の行動空間への適応を行う事後学習に分離したPose-VLAを提案。離散ポーズトークンにより多様な3Dデータと軌道データを統合し、RoboTwin 2.0で79.5%、LIBEROで96.0%の成功率を達成。
原題: PoseVLA: Universal Pose Pretraining for Generalizable Vision-Language-Action Policies / Haitao Lin, Hanyang Yu, Jingshun Huang 他
日本語で読む → - 論文VLAロボティクス
TIC-VLA:動的環境におけるロボットナビゲーションのための制御内思考型視覚-言語-行動モデル
遅延する意味推論を明示的にモデル化し、非同期推論に適応した視覚-言語-行動モデルを提案。動的環境での言語誘導ナビゲーションをリアルタイム制御で実現する。
原題: TIC-VLA: A Think-in-Control Vision-Language-Action Model for Robot Navigation in Dynamic Environments / Zhiyu Huang, Yun Zhang, Johnson Liu 他
日本語で読む → - 論文VLAロボティクス
CLUE: 注意機構を用いた言語視覚理解によるクロスモーダル曖昧性解消
VLMのクロスモーダル注意を空間的に接地した信号に変換し、参照曖昧性を検出して質問すべきタイミングを判断する対話型視覚接地モデルを提案。
原題: CLUE: Crossmodal disambiguation via Language-vision Understanding with attEntion / Mouad Abrini, Mohamed Chetouani
日本語で読む → - 論文VLA画像認識
HiST-VLA:階層的時空間視覚言語行動モデルによるエンドツーエンド自動運転
3D空間認識と時系列推論を強化した階層的VLAモデルを提案し、動的トークン統合と階層的プランナーで軌道生成を高精度化、NAVSIM v2で最高性能を達成した。
原題: HiST-VLA: A Hierarchical Spatio-Temporal Vision-Language-Action Model for End-to-End Autonomous Driving / Yiru Wang, Zichong Gu, Yu 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
DM0: フィジカルAIに向けた身体性ネイティブな視覚-言語-行動モデル
身体性を後付けでなく最初から統合し、大規模事前学習からフローマッチング行動専門家と空間Chain-of-Thoughtで操作とナビゲーションを統一的に学習するVLAフレームワークDM0を提案。
原題: DM0: An Embodied-Native Vision-Language-Action Model towards Physical AI / En Yu, Haoran Lv, Jianjian Sun 他
日本語で読む → - 論文VLAロボティクス
StemVLA:未来の3D空間幾何学知識と4D履歴表現を備えたオープンソース視覚言語行動モデル
未来の3D空間構造と過去の4D時空間表現を組み合わせて行動予測を行うVLAモデルを提案し、シミュレーションで有効性を示した。
原題: StemVLA:An Open-Source Vision-Language-Action Model with Future 3D Spatial Geometry Knowledge and 4D Historical Representation / Jiasong Xiao, Yutao She, Kai Li 他
日本語で読む → - 論文VLAロボティクス
再帰的深さを持つVLA:潜在的反復推論による視覚言語行動モデルのテスト時計算スケーリング
重み共有の再帰的な行動ヘッドを用いて、推論時に潜在空間での反復的な洗練を行うことで、メモリ使用量を一定に保ちながら計算量を適応的に増やせるVLAアーキテクチャを提案した。
原題: Recurrent-Depth VLA: Implicit Test-Time Compute Scaling of Vision-Language-Action Models via Latent Iterative Reasoning / Yalcin Tur, Jalal Naghiyev, Haoquan Fang 他
日本語で読む → - 論文VLA画像認識
JEPA-VLA:VLAモデルに動画予測埋め込みが必要な理由
動画で事前学習した予測埋め込み(V-JEPA 2)をVLAモデルに適応的に統合し、サンプル効率と汎化性能を大幅に向上させる手法を提案。
原題: JEPA-VLA: Video Predictive Embedding is Needed for VLA Models / Shangchen Miao, Ningya Feng, Jialong Wu 他
日本語で読む → - 論文VLAロボティクス
実時間マルチモーダルLLMとツール呼び出しによる状況依存的具現化対話のための現代システムレシピ
実時間マルチモーダルLLMと注意・能動知覚のためのツール群を組み合わせ、家庭的な6シナリオで対話品質とツール判断精度を評価した。
原題: A Modern System Recipe for Situated Embodied Human-Robot Conversation with Real-Time Multimodal LLMs and Tool-Calling / Dong Won Lee, Sarah Gillet, Louis-Philippe Morency 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機械学習
DADP: ドメイン適応拡散ポリシー
拡散ポリシーにドメイン表現を組み込み、未知の遷移力学にゼロショット適応する制御手法を提案。
原題: DADP: Domain Adaptive Diffusion Policy / Pengcheng Wang, Qinghang Liu, Haotian Lin 他
日本語で読む → - 論文VLAロボティクス
順序付き行動トークン化(OAT)
連続的なロボット行動を、自己回帰生成に適した順序付きトークン列に変換する学習型トークナイザを提案し、シミュレーションと実機の20以上のタスクで従来手法を上回る性能と推論時の柔軟性を示した。
原題: OAT: Ordered Action Tokenization / Chaoqi Liu, Xiaoshen Han, Jiawei Gao 他
日本語で読む →
PR・アフィリエイト広告
