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
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
DroneVLA:視覚言語行動モデルによる空中マニピュレーション
自然言語の指示を理解するVLAモデルとGrounding DINOを組み合わせ、1自由度グリッパ付きドローンが対象物を把持し人へ受け渡すシステムを構築した。実機実験で位置推定・ナビゲーションの精度を検証した。
原題: DroneVLA: VLA based Aerial Manipulation / Fawad Mehboob, Monijesu James, Amir Habel 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
LaST₀:ロボット視覚言語行動モデルのための潜在時空間チェーン・オブ・ソート
言語ではなく潜在空間で未来の視覚・3D・固有感覚を推論する時空間Chain-of-Thoughtを導入し、低頻度推論と高頻度行動生成を分離した二重システムVLAフレームワークを提案。
原題: LaST$_{0}$: Latent Spatio-Temporal Chain-of-Thought for Robotic Vision-Language-Action Model / Zhuoyang Liu, Jiaming Liu, Hao Chen 他
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
VLingNav: 適応的推論と視覚支援言語記憶による身体性ナビゲーション
人間の二重過程理論に着想を得た適応的Chain-of-Thoughtと視覚支援言語記憶を備えたVLAナビゲーションモデルを提案し、長期的タスクにおける推論と記憶を強化した。
原題: VLingNav: Embodied Navigation with Adaptive Reasoning and Visual-Assisted Linguistic Memory / Shaoan Wang, Yuanfei Luo, Xingyu Chen 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
視覚プロンプトを用いた視覚-言語-行動モデルによるオフロード自動運転
オフロード自動運転向けに、セマンティックセグメンテーションを視覚プロンプトとして使い自己整合性付き思考連鎖で推論するVLAフレームワークOFF-EMMAを提案し、軌道計画精度を改善した。
原題: A Vision-Language-Action Model with Visual Prompt for OFF-Road Autonomous Driving / Liangdong Zhang, Yiming Nie, Haoyang Li 他
日本語で読む → - 論文VLAロボティクス
HumanDiffusion: 捜索救助UAVのための人間条件付き目標を持つ視覚ベース拡散軌道プランナ
RGB画像から人間を検出し、拡散モデルで人間を考慮したナビゲーション軌道を生成する軽量プランナを提案し、救助UAVの実環境タスクで80%の成功率を示した。
原題: HumanDiffusion: A Vision-Based Diffusion Trajectory Planner with Human-Conditioned Goals for Search and Rescue UAV / Faryal Batool, Iana Zhura, Valerii Serpiva 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
AIR-VLA: 空中マニピュレーションのための視覚-言語-行動システム
空中マニピュレーションに特化した初のVLAベンチマークを構築し、物理シミュレーション環境と3000件の遠隔操作デモデータセットを公開して、既存VLAモデルの性能と限界を評価した。
原題: AIR-VLA: Vision-Language-Action Systems for Aerial Manipulation / Jianli Sun, Bin Tian, Qiyao Zhang 他
日本語で読む → - 論文VLAロボティクス
RoboReward: ロボティクス向け汎用視覚言語報酬モデル
実ロボットの大規模データセットから報酬モデル用データセットとベンチマークを構築し、4B/8Bの視覚言語報酬モデルを訓練。短期的なロボットタスクで大規模VLMを上回る性能を達成し、実機強化学習に適用した。
原題: RoboReward: General-Purpose Vision-Language Reward Models for Robotics / Tony Lee, Andrew Wagenmaker, Karl Pertsch 他
日本語で読む → - 論文VLAロボティクス
CLAP: 人間の動画から視覚-言語-行動モデルを学習するための対照的潜在行動事前学習
人間の動画からロボットの行動スキルを抽出し、視覚-言語-行動モデルを事前学習するフレームワークCLAPを提案。対照学習で人間の動画をロボットの行動語彙に整合させ、効率的なスキル転移を実現した。
原題: CLAP: Contrastive Latent Action Pretraining for Learning Vision-Language-Action Models from Human Videos / Chubin Zhang, Jianan Wang, Zifeng Gao 他
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自然言語
Moxin-VLMとMoxin-VLAを備えたオープンソースマルチモーダルMoxinモデル
完全オープンソースのLLM「Moxin」を基に、視覚言語理解・視覚言語行動・中国語対応の3つの派生モデルを開発し、公開した。
原題: Open-Source Multimodal Moxin Models with Moxin-VLM and Moxin-VLA / Pu Zhao, Arash Akbari, Xuan Shen 他
日本語で読む → - 論文VLA機械学習
視覚言語行動モデルの汎用性を測る統一ベンチマーク
VLMとVLAの6つの能力領域にわたるクロスドメイン汎用性を評価する統一ベンチマークMultiNet v1.0を提案し、既存モデルが訓練分布外で大きく性能劣化することを示した。
原題: Benchmarking the Generality of Vision-Language-Action Models / Pranav Guruprasad, Sudipta Chowdhury, Harsh Sikka 他
日本語で読む → - 論文VLA画像認識
決定論的ワールドモデルによる視覚ベースEnd-to-End制御の閉ループ到達可能性解析
物理状態から合成カメラ画像を生成する決定論的ワールドモデルを提案し、確率的潜在変数による過大近似なしに視覚ベース制御器の閉ループ到達可能性解析を可能にした。
原題: Deterministic World Models for Closed-loop Reachability Analysis of End-to-End Vision-based Control / Yuang Geng, Zhongzheng Zhang, Chengzhen Jiang 他
日本語で読む → - 論文VLAロボティクス
HELP: 家庭タスクのための階層型身体化言語プランナ
家庭内タスクを解くため、LLMベースの複数エージェントを階層的に組み合わせたプランナを提案し、実機実験で評価した。
原題: HELP: Hierarchical Embodied Language Planner for Household Tasks / Alexandr V. Korchemnyi, Anatoly O. Onishchenko, Eva A. Bakaeva 他
日本語で読む → - 論文VLAロボティクス
ISS Policy:暗黙的なシーン監督を備えたスケーラブルな拡散ポリシー
点群入力から連続行動を予測する3D視覚運動拡散ポリシーに、シーンの幾何学的変化と整合する出力を促す暗黙的シーン監督モジュールを導入し、単腕・多指ハンド操作の性能と汎化を向上させた研究。
原題: ISS Policy : Scalable Diffusion Policy with Implicit Scene Supervision / Wenlong Xia, Jinhao Zhang, Ce Zhang 他
日本語で読む → - 論文VLAロボティクス
ManualVLA:思考連鎖による手順書生成とロボット操作を統合したVLAモデル
目標状態から実行手順を推論する「Manual Chain-of-Thought」を導入し、手順書生成と操作実行をMixture-of-Transformersで統合したVLAモデルを提案。3D Gaussian Splattingによるデジタルツインで訓練データを自動生成する。
原題: ManualVLA: A Unified VLA Model for Chain-of-Thought Manual Generation and Robotic Manipulation / Chenyang Gu, Jiaming Liu, Hao Chen 他
日本語で読む → - 論文VLAロボティクス
人間動画からの視覚-物理アライメントによる空間認識VLA事前学習
人間の動画から3D視覚・動作アノテーションを抽出し、2D視覚と3D空間推論を事前学習で結びつけるVLAモデルを提案。下流のロボットタスクで2D視覚と3D動作の対応が改善し、汎化性能が向上した。
原題: Spatial-Aware VLA Pretraining through Visual-Physical Alignment from Human Videos / Yicheng Feng, Wanpeng Zhang, Ye Wang 他
日本語で読む → - 論文VLAAI
行動なし動画からスキルを学ぶ
オプティカルフローを中間表現として用い、行動なし動画から潜在スキルを抽出し、ロボットの長期タスク計画と行動生成を可能にするフレームワークSOFを提案。
原題: Learning Skills from Action-Free Videos / Hung-Chieh Fang, Kuo-Han Hung, Chu-Rong Chen 他
日本語で読む → - 論文VLAAI
ActionFlow: エッジ上での視覚言語モデル向けパイプライン型アクション高速化
VLAモデルの推論をマイクロリクエストのパイプラインとして再定義し、PrefillとDecodeを跨いでバッチ処理することで、再学習なしにエッジ上で2.55倍のFPS向上を実現した。
原題: ActionFlow: A Pipelined Action Acceleration for Vision Language Models on Edge / Yuntao Dai, Hang Gu, Teng Wang 他
日本語で読む → - 論文VLAロボティクス
Vidarc: 閉ループ制御のための身体性ビデオ拡散モデル
マスク付き逆動力学モデルを組み合わせた自己回帰的な身体性ビデオ拡散モデルにより、低遅延で高精度なロボットアームの閉ループ制御を実現した研究。
原題: Vidarc: Embodied Video Diffusion Model for Closed-loop Control / Yao Feng, Chendong Xiang, Xinyi Mao 他
日本語で読む → - 論文VLAロボティクス
大規模動画プランナーによる汎用ロボット制御
インターネット規模の人間活動動画で生成的なロボット計画モデルを基盤モデル規模で学習し、新しい場面やタスクに対してゼロショットで動画計画を生成して実機の行動に変換する手法を提案した。
原題: Large Video Planner Enables Generalizable Robot Control / Boyuan Chen, Tianyuan Zhang, Haoran Geng 他
日本語で読む → - 論文VLA画像認識
Motus: 統合潜在行動ワールドモデル
理解・映像生成・行動の3エキスパートをMixture-of-Transformerで統合し、光流から潜在行動を学習する統一ワールドモデルを提案。シミュレーションと実世界で既存手法を上回る性能を示した。
原題: Motus: A Unified Latent Action World Model / Hongzhe Bi, Hengkai Tan, Shenghao Xie 他
日本語で読む → - 論文VLAロボティクス
mimic-video: VLAを超える汎化可能なロボット制御のためのビデオ行動モデル
大規模動画モデルを事前学習に用い、その潜在表現からフローマッチングでロボットの低レベル行動を生成するVideo-Action Modelを提案。シミュレーションと実機のマニピュレーションでVLAを上回り、サンプル効率10倍・収束速度2倍を達成した。
原題: mimic-video: Video-Action Models for Generalizable Robot Control Beyond VLAs / Jonas Pai, Liam Achenbach, Victoriano Montesinos 他
日本語で読む → - 論文VLAロボティクス
自己回帰離散事前学習による身体性VLM推論とロボット行動の統合
身体性推論を評価するベンチマークERIQと、連続制御を離散化するFACTトークナイザを提案し、推論と行動を統合したGenieReasonerで実世界マニピュレーション性能を向上させた。
原題: Unified Embodied VLM Reasoning with Robotic Action via Autoregressive Discretized Pre-training / Yi Liu, Sukai Wang, Dafeng Wei 他
日本語で読む →
PR・アフィリエイト広告
