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
WoVR: 幻覚を制御してVLAポリシーを強化学習で事後学習する信頼可能なワールドモデルシミュレータ
不完全な学習済みワールドモデルをシミュレータとして使い、キーフレーム初期化ロールアウトとモデル・ポリシー共進化で幻覚の影響を抑え、VLAポリシーを強化学習で安定に事後学習する手法を提案。
原題: WoVR: World Models as Reliable Simulators for Post-Training VLA Policies with RL / Zhennan Jiang, Shangqing Zhou, Yutong Jiang 他
日本語で読む → - 論文VLA機械学習
視覚言語モデルが実現するタスク中心の潜在行動
視覚言語モデルの常識推論を活用し、動画中のタスクに関連する動きとノイズを分離することで、潜在行動モデルの学習を改善する手法を提案。
原題: Vision-Language Models Unlock Task-Centric Latent Actions / Alexander Nikulin, Ilya Zisman, Albina Klepach 他
日本語で読む → - 論文VLA自然言語
知識経験学習によるエージェント的世界モデルの整合
LLMエージェントが物理世界の法則を尊重した計画を立てられるよう、環境フィードバックから記号的な世界知識リポジトリを自律構築するWorldMindを提案。
原題: Aligning Agentic World Models via Knowledgeable Experience Learning / Baochang Ren, Yunzhi Yao, Rui Sun 他
日本語で読む → - 論文VLAAI
現在のエージェントは世界モデルを先見のツールとして活用できていない
視覚言語モデルベースのエージェントが生成的世界モデルを外部シミュレータとして使えるかを検証し、シミュレーションの起動判断や予測結果の解釈・統合がボトルネックで性能が向上しないことを示した実証研究。
原題: Current Agents Fail to Leverage World Model as Tool for Foresight / Cheng Qian, Emre Can Acikgoz, Bingxuan Li 他
日本語で読む → - 論文VLAセキュリティcs.CR
状態バックドア:視覚言語行動モデルに対するステルスな実世界ポイズニング攻撃
ロボットアームの初期状態をトリガーとして悪用し、VLAモデルに標的の誤動作を引き起こすバックドア攻撃を提案。遺伝的アルゴリズムで最適なトリガーを探索し、実世界タスクで90%以上の攻撃成功率を達成した。
原題: State Backdoor: Towards Stealthy Real-world Poisoning Attack on Vision-Language-Action Model in State Space / Ji Guo, Wenbo Jiang, Yansong Lin 他
日本語で読む → - 論文VLAAI
Cosmos Policy: 視覚運動制御と計画のための動画モデル微調整
大規模事前学習済み動画モデルを、アーキテクチャ変更なしの一段階の追加学習だけでロボット方策に変換し、行動・将来画像・価値を潜在フレームとして生成して計画も可能にした手法。
原題: Cosmos Policy: Fine-Tuning Video Models for Visuomotor Control and Planning / Moo Jin Kim, Yihuai Gao, Tsung-Yi Lin 他
日本語で読む → - 論文VLAロボティクス
TC-IDM: 実行可能なゼロショットロボット動作のための動画生成の接地
生成された動画から道具の3D軌道を抽出し、それを6自由度のエンドエフェクタ動作に変換する逆動力学モデルを提案。ゼロショットで変形物体操作を含むタスクを実現した。
原題: TC-IDM: Grounding Video Generation for Executable Zero-shot Robot Motion / Weishi Mi, Yong Bao, Xiaowei Chi 他
日本語で読む → - 論文VLAロボティクス
DV-VLN: LLMベース視覚言語ナビゲーションのための信頼性の高い二重検証
LLMによる視覚言語ナビゲーションで、生成した行動候補を真偽検証とマスク実体検証の二重チャネルで検証し、信頼性を高めるフレームワークを提案。
原題: DV-VLN: Dual Verification for Reliable LLM-Based Vision-and-Language Navigation / Zijun Li, Shijie Li, Zhenxi Zhang 他
日本語で読む → - 論文VLAロボティクス
脳に着想を得た身体性知能による流動的で高速な反射的ロボティクス制御
皮質・小脳・脊髄の構造を模したニューロモーフィックVLAを実機ロボットに初めて実装し、腕の振動抑制や20ms未満の安全反射、時間記憶を実現した。
原題: A Brain-inspired Embodied Intelligence for Fluid and Fast Reflexive Robotics Control / Weiyu Guo, He Zhang, Pengteng Li 他
日本語で読む → - 論文VLAロボティクス
InternVLA-A1:ロボットマニピュレーションのための理解・生成・行動の統合
シーン理解・視覚的予測・行動実行の3つの専門家をMixture-of-Transformersで統合したVLAモデルを提案し、実世界12タスクで既存手法を上回る性能を達成した。
原題: InternVLA-A1: Unifying Understanding, Generation and Action for Robotic Manipulation / Junhao Cai, Zetao Cai, Jiafei Cao 他
日本語で読む → - 論文VLA画像認識
Fast-ThinkAct: 言語化可能な潜在プランニングによる効率的な視覚-言語-行動推論
推論トレースを潜在的な思考連鎖に蒸留し、推論VLAの推論遅延を最大89.3%削減しつつ長期的プランニングや適応性能を維持する手法を提案。
原題: Fast-ThinkAct: Efficient Vision-Language-Action Reasoning via Verbalizable Latent Planning / Chi-Pin Huang, Yunze Man, Zhiding Yu 他
日本語で読む → - 論文VLAAI
Drive-P2D: 自動運転向けVLMのための段階的知覚から意思決定へのベンチマーク
自動運転における視覚言語モデル(VLM)を、物体・シーン・意思決定の3段階で評価する6,650問のベンチマークを提案し、推論と回答を分離して採点・誤り分析を行う。
原題: Drive-P2D: A Progressive Perception-to-Decision Benchmark for VLMs in Autonomous Driving / Zecong Tang, Zixu Wang, Yifei Wang 他
日本語で読む → - 論文VLAロボティクス
SeqWalker: 階層的計画による逐次視野言語ナビゲーション
長期的な多タスク指示を階層的計画で分割し、視覚観察に基づくサブ指示選択と探索検証で軌道誤りを修正する視野言語ナビゲーションモデルを提案。
原題: SeqWalker: Sequential-Horizon Vision-and-Language Navigation with Hierarchical Planning / Zebin Han, Xudong Wang, Baichen Liu 他
日本語で読む → - 論文VLAロボティクス
テスト時強化学習によるVLAモデルのオンライン適応
推論中に段階的なタスク進捗を報酬として強化学習を行い、VLAモデルをその場で適応させるTT-VLAを提案。未知環境での適応性と成功率を向上させた。
原題: On-the-Fly VLA Adaptation via Test-Time Reinforcement Learning / Changyu Liu, Yiyang Liu, Taowen Wang 他
日本語で読む → - 論文VLAロボティクス
一歩で十分:分散型MeanFlow方策最適化
拡散・フローマッチング方策の多段サンプリングを不要にし、蒸留なしの1ステップ生成と分散正則化・RL微調整を組み合わせて120Hz超のリアルタイムロボット制御を実現した手法を提案。
原題: One Step Is Enough: Dispersive MeanFlow Policy Optimization / Guowei Zou, Haitao Wang, Hejun Wu 他
日本語で読む → - 論文VLAロボティクス
CARE: ロボット制御のための連続潜在行動表現のマルチタスク事前学習
行動ラベルなしで動画とテキストのペアのみから連続的な潜在行動表現を学習し、少数のラベル付きデータで微調整することでロボット制御を実現するフレームワークを提案。
原題: CARE: Multi-Task Pretraining for Latent Continuous Action Representation in Robot Control / Jiaqi Shi, Xulong Zhang, Xiaoyang Qu 他
日本語で読む → - 論文VLAロボティクス
CLARE: 自律的アダプタルーティングと拡張による視覚-言語-行動モデルの継続学習
VLAモデルに軽量アダプタを追加し、層ごとの特徴類似度に基づいて必要な箇所だけを自律的に拡張することで、過去データやタスクIDなしに破滅的忘却を防ぎながら新タスクを継続学習するフレームワークを提案。
原題: CLARE: Continual Learning for Vision-Language-Action Models via Autonomous Adapter Routing and Expansion / Ralf Römer, Yi Zhang, Yuming Li 他
日本語で読む → - 論文VLAロボティクス
大規模言語モデルによるシミュレーション環境でのドローン multitask 操作の強化
微調整したCodeT5とAirSimを組み合わせ、自然言語コマンドからドローン操作用コードを自動生成してマルチタスクを実行する手法を提案。
原題: Large Language Models to Enhance Multi-task Drone Operations in Simulated Environments / Yizhan Feng, Hichem Snoussi, Jing Teng 他
日本語で読む → - 論文VLAロボティクス
FIRE-VLM:物理ベース火災デジタルツインにおけるUAV山火事追跡のための視覚言語駆動強化学習フレームワーク
高忠実度の山火事デジタルツイン内で、視覚言語モデル(VLM)の意味的報酬整形を用いてUAVの強化学習を行い、火災検出時間を最大6倍短縮した。
原題: FIRE-VLM: A Vision-Language-Driven Reinforcement Learning Framework for UAV Wildfire Tracking in a Physics-Grounded Fire Digital Twin / Chris Webb, Mobin Habibpour, Mayamin Hamid Raha 他
日本語で読む → - 論文VLAロボティクス
AC^2-VLA: 行動文脈を考慮した適応的計算による効率的なロボットマニピュレーション
VLAモデルの推論における時間・空間・深さ方向の冗長性に着目し、行動文脈に基づいて計算を適応的に再利用・削減するフレームワークを提案。密なモデルと同等の成功率を保ちつつ最大1.79倍の高速化とFLOPs29.4%削減を実現した。
原題: AC^2-VLA: Action-Context-Aware Adaptive Computation in Vision-Language-Action Models for Efficient Robotic Manipulation / Wenda Yu, Tianshi Wang, Fengling Li 他
日本語で読む → - 論文VLAロボティクス
汎用大規模言語モデルによるドローン指揮統制インターフェース
MCP標準とMavlinkを組み合わせ、LLMや機体に依存しない汎用的なドローン管制インターフェースを構築し、実機飛行制御を実証した。
原題: A Universal Large Language Model -- Drone Command and Control Interface / Javier N. Ramos-Silva, Peter J. Burke
日本語で読む → - 論文VLAロボティクス
DynamicVLA:動的物体操作のための視覚-言語-行動モデル
動的物体操作のためのVLAフレームワークを提案し、時系列推論と閉ループ適応を統合。合成・実世界データからなるDOMベンチマークも構築した。
原題: DynamicVLA: A Vision-Language-Action Model for Dynamic Object Manipulation / Haozhe Xie, Beichen Wen, Jiarui Zheng 他
日本語で読む → - 論文VLA画像認識
蒸留とRGB-D Transformerによる高密度視覚埋め込みの効率的予測
Alpha-CLIPの教師埋め込みを蒸留し、RGB-D画像からピクセル単位のテキスト対応視覚埋め込みをリアルタイムで予測するDVEFormerを提案。
原題: Efficient Prediction of Dense Visual Embeddings via Distillation and RGB-D Transformers / Söhnke Benedikt Fischedick, Daniel Seichter, Benedict Stephan 他
日本語で読む → - 論文VLAeess.AS
音声指示で操るVLA自動運転:EchoVLA
音声指示と感情を統合したVLAモデルEchoVLAを提案し、nuScenesに音声を付与してファインチューニング、L2誤差と衝突率を大幅に削減した。
原題: Listen, Look, Drive: Coupling Audio Instructions for User-aware VLA-based Autonomous Driving / Ziang Guo, Feng Yang, Xuefeng Zhang 他
日本語で読む → - 論文VLAロボティクス
ActiveVLA: 能動的知覚を視覚-言語-行動モデルに統合した高精度3Dロボットマニピュレーション
静的な手首カメラに頼る従来のVLAモデルに対し、重要領域の特定と能動的な視点選択・3Dズームインを行う2段階の枠組みを導入し、長期的・微細な操作精度を向上させた。
原題: ActiveVLA: Injecting Active Perception into Vision-Language-Action Models for Precise 3D Robotic Manipulation / Zhenyang Liu, Yongchong Gu, Yikai Wang 他
日本語で読む → - 論文VLAロボティクス
実用的なVLA基盤モデル
9種類の双腕ロボットから約2万時間の実世界データを収集し、4つのロボットプラットフォームで評価した汎用性の高いVLA基盤モデルLingBot-VLAを開発した。
原題: A Pragmatic VLA Foundation Model / Wei Wu, Fan Lu, Yunnan Wang 他
日本語で読む → - 論文VLAロボティクス
MetaWorld:高レベル指示を接地するための階層型ワールドモデルにおけるスキル転送と構成
VLMによる意味計画と潜在ダイナミクスモデルを組み合わせた階層型ワールドモデルを提案し、事前学習済みマルチエキスパート方策を転送することでヒューマノイドのロコマニピュレーションを効率化した。
原題: MetaWorld: Skill Transfer and Composition in a Hierarchical World Model for Grounding High-Level Instructions / Yutong Shen, Hangxu Liu, Kailin Pei 他
日本語で読む → - 論文VLAロボティクス
Shallow-π: フローベースVLAのための知識蒸留
フローベースの視覚-言語-行動モデルのTransformer層を18層から6層に削減する知識蒸留フレームワークを提案し、成功率をほぼ落とさず2倍以上の推論高速化を実現した。
原題: Shallow-{\pi}: Knowledge Distillation for Flow-based VLAs / Boseong Jeon, Yunho Choi, Taehan Kim
日本語で読む → - 論文VLAロボティクス
V-VLAPS: 価値誘導型ビジョン・言語・行動モデルプランニング
VLAモデルの計画に軽量な価値ヘッドを追加し、モンテカルロ木探索を高価値な分岐へ誘導することで、長期タスクや分布シフト下での性能を改善する手法を提案。
原題: V-VLAPS: Value-Guided Planning for Vision-Language-Action Models / Ke Ren, Ali Salamatian, Kieran Pattison 他
日本語で読む → - 論文VLAAI
LangForce: 潜在行動クエリによる視覚言語行動モデルのベイズ分解
視覚言語行動モデルが言語指示を無視して視覚のみに依存する「情報崩壊」問題を、ベイズ分解と潜在行動クエリで解決し、未知環境での汎化性能を向上させた研究。
原題: LangForce: Bayesian Decomposition of Vision Language Action Models via Latent Action Queries / Shijie Lian, Bin Yu, Xiaopeng Lin 他
日本語で読む →
PR・アフィリエイト広告
