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: 2026/1/1 / 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
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 → - 論文VLAセキュリティcs.CR
SilentDrift: アクションチャンキングを悪用したVLAモデルへのステルスバックドア攻撃
VLAモデルのアクションチャンキングとデルタポーズ表現に潜む脆弱性を突き、Smootherstep関数とキーフレーム戦略で検知困難なバックドア攻撃を実現した研究。
原題: SilentDrift: Exploiting Action Chunking for Stealthy Backdoor Attacks on Vision-Language-Action Models / Bingxin Xu, Yuzhang Shang, Binghui Wang 他
日本語で読む → - 論文VLAロボティクス
FRoM-W1: 言語指示による汎用人型全身制御フレームワーク
自然言語から人型ロボットの全身動作を生成・実行する2段階フレームワークを提案し、Unitree H1/G1で動作追従精度の向上を実証した。
原題: FRoM-W1: Towards General Humanoid Whole-Body Control with Language Instructions / Peng Li, Zihan Zhuang, Yangfan Gao 他
日本語で読む → - 論文VLA自然言語
身体性AIデータセットにおける言語的多様性の限界
VLAモデルの訓練・評価に使われるデータセットの指示文を体系的に調査し、語彙の多様性や重複、構文の複雑さを分析した結果、多くのデータセットが反復的でテンプレート的な命令に依存していることを明らかにした。
原題: Limited Linguistic Diversity in Embodied AI Datasets / Selma Wanna, Agnes Luhtaru, Jonathan Salfity 他
日本語で読む → - 論文VLAロボティクス
ReViP: 視覚-固有感覚の再バランスによる視覚-言語-行動モデルの偽完了の緩和
VLAモデルが固有感覚に過度に依存して生じる「偽完了」問題を分析し、進捗を考慮した視覚的手がかりで視覚と言語の接地を強化する新フレームワークReViPを提案した。
原題: ReViP: Mitigating False Completion in Vision-Language-Action Models with Vision-Proprioception Rebalance / Zhuohao Li, Yinghao Li, Jian-Jian Jiang 他
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ロボティクス
TeNet: テキストからコンパクトなポリシーを合成するネットワーク
大規模言語モデルのテキスト埋め込みをハイパーネットワークに入力し、自然言語指示から直接コンパクトで実行可能なロボットポリシーを生成する手法を提案。実行時は低次元状態のみで高速制御を実現する。
原題: TeNet: Text-to-Network for Compact Policy Synthesis / Ariyan Bighashdel, Kevin Sebastian Luck
日本語で読む → - 論文VLAロボティクス
Action-Sketcher: 視覚スケッチを介した長期的ロボット操作のための推論から行動へ
ロボットの視界に点・箱・矢印・関係を描く「視覚スケッチ」を中間表現として導入し、See-Think-Sketch-Actのサイクルで長期的な操作を実現するVLAフレームワークを提案。
原題: Action-Sketcher: From Reasoning to Action via Visual Sketches for Long-Horizon Robotic Manipulation / Huajie Tan, Peterson Co, Yijie Xu 他
日本語で読む → - 論文VLAロボティクス
LLMエージェントによる探索とスキル統合を用いたロボットナビゲーションとマニピュレーション
屋内ショッピングタスクを対象に、LLMベースのエージェントが看板検出で意味地図を構築し、自然言語指示から店舗間移動と物体把持までを一貫して実行するシステムを提案した。
原題: LLM-Based Agentic Exploration for Robot Navigation & Manipulation with Skill Orchestration / Abu Hanif Muhammad Syarubany, Farhan Zaki Rahmani, Trio Widianto
日本語で読む → - 論文VLAロボティクス
視点不変な潜在行動によるロバストな行動学習
軌道間の遷移パターンを捉える潜在行動をモデル化し、視点不変な表現を学習することで、未知の視点や新しいタスクへの汎化性能を向上させる事前学習フレームワークVILAを提案。
原題: Learning to Act Robustly with View-Invariant Latent Actions / Youngjoon Jeong, Junha Chun, Taesup Kim
日本語で読む → - 論文VLA画像認識
PEAfowl: 知覚強化型マルチビュー視覚-言語-行動モデルによる両腕マニピュレーション
両腕ロボット操作のためのVLAモデル。トークンごとの深度分布予測と微分可能な3Dリフティングで視点間の幾何学的整合性を高め、Perceiver型のテキスト認識読み出しで指示の接地を改善。訓練時のみの深度蒸留でノイズの多い深度を補い、RoboTwin 2.0で成功率を23ポイント向上させた。
原題: PEAfowl: Perception-Enhanced Multi-View Vision-Language-Action for Bimanual Manipulation / Qingyu Fan, Zhaoxiang Li, Yi Lu 他
日本語で読む → - 論文VLAロボティクス
SG-CADVLM: 事故報告から安全-criticalシナリオを生成する文脈認識デコーディング搭載視覚言語モデル
事故報告書から自動運転の安全検証用シナリオを生成するため、文脈認識デコーディングとマルチモーダル入力を組み合わせたVLMフレームワークを提案し、高リスクシナリオ生成率を大幅に向上させた。
原題: SG-CADVLM: A Context-Aware Decoding Powered Vision Language Model for Safety-Critical Scenario Generation / Hongyi Zhao, Shuo Wang, Qijie He 他
日本語で読む → - 論文VLAロボティクス
SOP:視覚-言語-行動モデルのためのスケーラブルなオンライン事後学習システム
ロボット群が実世界で収集した経験と人間の介入をクラウド上の学習器に非同期で送り、更新された方策を即座に受け取るオンライン分散事後学習システムを提案。布畳みや箱組立などのタスクで大規模VLAモデルの性能を数時間で大幅に向上させる。
原題: SOP: A Scalable Online Post-Training System for Vision-Language-Action Models / Mingjie Pan, Siyuan Feng, Qinglin Zhang 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VLA評価ベンチマークロボティクス
グレートマーチ100:身体性AIエージェント評価のための100の詳細指向タスク
ロボット学習の評価に向けて、多様な相互作用とロングテール行動を網羅する100の詳細設計タスク「GM-100」を提案し、複数のVLAモデルの性能差を明確に評価できることを示した。
原題: The Great March 100: 100 Detail-oriented Tasks for Evaluating Embodied AI Agents / Ziyu Wang, Chenyuan Liu, Yushun Xiang 他
日本語で読む → - 論文VLAロボティクス
ACoT-VLA: 視覚言語行動モデルのための行動連鎖推論
行動空間で直接推論する「行動連鎖推論(ACoT)」を提案し、粗い行動意図を明示的・暗黙的に生成して最終方策を導くVLAアーキテクチャを実現した。
原題: ACoT-VLA: Action Chain-of-Thought for Vision-Language-Action Models / Linqing Zhong, Yi Liu, Yifei Wei 他
日本語で読む → - 論文VLAロボティクス
デモンストレーション不要のLLMエージェントによるロボット制御
ソフトウェア開発用のLLMエージェントフレームワークをそのままロボット操作に適用し、デモやファインチューニングなしでLIBEROなどで高い成功率を達成した。
原題: Demonstration-Free Robotic Control via LLM Agents / Brian Y. Tsui, Alan Y. Fang, Tiffany J. Hwu
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
LLM制御ロボティクスにおける信頼性:セキュリティ脅威、防御策、課題のサーベイ
LLMで制御されるロボットのセキュリティ脅威と防御策を体系的に整理し、攻撃手法・防御機構・評価ベンチマークを分類したサーベイ。
原題: Trust in LLM-controlled Robotics: a Survey of Security Threats, Defenses and Challenges / Xinyu Huang, Shyam Karthick V B, Taozhao Chen 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園芸ロボットのタスク計画
VLMが異種データを能動的に照会してロボットのタスク計画を導くモジュール式フレームワークを提案し、作物モニタリングのベンチマークで性能を評価した。
原題: Visual-Language-Guided Task Planning for Horticultural Robots / Jose Cuaran, Kendall Koe, Aditya Potnis 他
日本語で読む → - 論文VLAロボティクス
CulinaryCut-VLAP:力覚対応マテリアルポイント法による食品切断のための視覚-言語-行動-物理フレームワーク
食品切断を対象に、MLS-MPMベースの物理シミュレータと視覚・言語・行動データセットを統合し、力覚情報を含む学習・評価ループを構築した研究。
原題: CulinaryCut-VLAP: A Vision-Language-Action-Physics Framework for Food Cutting via a Force-Aware Material Point Method / Hyunseo Koh, Chang-Yong Song, Youngjae Choi 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画像認識
DTP: 視覚言語行動モデルのための簡便かつ効果的な妨害トークン枝刈りフレームワーク
VLAモデルがタスク無関係領域の画像トークンに過剰に注意する問題を解決するため、動的に検出・枝刈りするプラグアンドプレイのDTPフレームワークを提案し、タスク成功率を改善した。
原題: DTP: A Simple yet Effective Distracting Token Pruning Framework for Vision-Language Action Models / Chenyang Li, Jieyuan Liu, Bin Li 他
日本語で読む → - 論文VLAロボティクス
RoboBrain 2.5:奥行きを見据え、時間を心に刻む
深度認識に基づく3D空間推論と、時間的な進捗予測を統合した次世代の身体性AI基盤モデルを提案し、複雑なマニピュレーションの精度と実行認識を向上させた。
原題: RoboBrain 2.5: Depth in Sight, Time in Mind / Huajie Tan, Enshen Zhou, Zhiyu Li 他
日本語で読む → - 論文VLAロボティクス
視覚言語行動モデルのための安定した言語ガイダンス
VLAモデルが言語の言い回しの変化に弱い「モダリティ崩壊」を解決するため、意味意図と視覚的アフォーダンスを分離する確率的フレームワークRSSを提案し、敵対的な言語摂動下でも頑健な操作性能を実現した。
原題: Stable Language Guidance for Vision-Language-Action Models / Zhihao Zhan, Yuhao Chen, Jiaying Zhou 他
日本語で読む → - 論文VLAロボティクス
エッジ上の視覚言語モデルによるリアルタイムロボット知覚
ヒューマノイドロボットUnitree G1を題材に、WebRTCでマルチモーダルデータをエッジノードへ送り、VLMをエッジとクラウドで動かして精度と遅延を比較した。
原題: Vision-Language Models on the Edge for Real-Time Robotic Perception / Sarat Ahmad, Maryam Hafeez, Syed Ali Raza Zaidi
日本語で読む → - 論文VLAロボティクス
ロボット操作のためのエージェント型LLMフレームワークALRM
LLMによる推論とロボット制御を統合したエージェント型フレームワークALRMを提案し、多様な言語指示を含む56タスクの新ベンチマークで評価した。
原題: ALRM: Agentic LLM for Robotic Manipulation / Vitor Gaboardi dos Santos, Ibrahim Khadraoui, Ibrahim Farhat 他
日本語で読む → - 論文VLAロボティクス
Being-H0.5: 人間中心のロボット学習をスケールさせ、異なる身体間の汎化を実現
人間の動作データを共通言語として扱い、35,000時間超・30種のロボット身体のデータで学習するVLA基盤モデルを提案し、異なる身体間での汎化性能を大幅に向上させた。
原題: Being-H0.5: Scaling Human-Centric Robot Learning for Cross-Embodiment Generalization / Hao Luo, Ye Wang, Wanpeng Zhang 他
日本語で読む →
PR・アフィリエイト広告
