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: 2025/12/1 / 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
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 → - 論文VLAロボティクス
RoboNeuron: 身体性AIにおけるエージェント駆動型オーケストレーションのための中間層インフラ
LLMエージェントとロボットミドルウェア(ROS2)を接続する中間層を提案し、VLAバックエンドの変更をシステム再構築なしで可能にした。
原題: RoboNeuron: A Middle-Layer Infrastructure for Agent-Driven Orchestration in Embodied AI / Weifan Guan, Qinghao Hu, Huasen Xi 他
日本語で読む → - 論文VLAロボティクス
橋上の基盤モデル:視覚言語モデルによる海事自律航行の意味的ハザード検出と安全機動
視覚言語モデル(VLM)を用いて、港湾シーンでの意味的な危険(ダイバーフラッグや火災など)を検出し、人間が介入可能な短時間のフォールバック機動を選択する「Semantic Lookout」を提案した研究。
原題: Foundation models on the bridge: Semantic hazard detection and safety maneuvers for maritime autonomy with vision-language models / Kim Alexander Christensen, Andreas Gudahl Tufte, Alexey Gusev 他
日本語で読む → - 論文VLAロボティクス
自動運転のための視覚-言語-行動モデル:過去・現在・未来
自動運転における視覚-言語-行動(VLA)フレームワークの進化を整理し、End-to-End型とDual-System型の2つのパラダイムに分類して、その特徴と課題を概観したサーベイ論文。
原題: Vision-Language-Action Models for Autonomous Driving: Past, Present, and Future / Tianshuai Hu, Xiaolu Liu, Song Wang 他
日本語で読む → - 論文VLAロボティクス
Video2Act: ロボットの時空間運動モデリングを備えた二重システム動画拡散ポリシー
動画拡散モデルから前景境界とフレーム間運動を抽出して行動生成の条件に使い、低速なSystem 2と高速なSystem 1の非同期二重構成でロボット操作を高精度化した研究。
原題: Video2Act: A Dual-System Video Diffusion Policy with Robotic Spatio-Motional Modeling / Yueru Jia, Jiaming Liu, Shengbang Liu 他
日本語で読む → - 論文VLAロボティクス
VLA-Arena: 視覚言語行動モデルを評価するためのオープンソースベンチマークフレームワーク
VLAモデルの能力限界と失敗モードを定量化するため、タスク構造・言語・視覚の3軸で難易度を設計した170タスクのベンチマークを提案し、最先端モデルの汎化不足や安全性軽視を明らかにした。
原題: VLA-Arena: An Open-Source Framework for Benchmarking Vision-Language-Action Models / Borong Zhang, Jiahao Li, Jiachen Shen 他
日本語で読む → - 論文VLAAI
SIMA 2: 仮想世界のための汎用身体性エージェント
Gemini基盤モデルをベースに、多様な3D仮想世界で言語や画像による指示を理解し行動する汎用エージェントSIMA 2を開発。未知環境への汎化や自己改善による新スキル獲得を実現した。
原題: SIMA 2: A Generalist Embodied Agent for Virtual Worlds / SIMA team, Adrian Bolton, Alexander Lerchner 他
日本語で読む → - 論文VLAロボティクス
VLAモデルをアンチ探索として誘導:テスト時スケーリングによる安定化
VLAモデルの推論時不安定性を、軽量な疑似カウント推定器で行動チャンクを検証し、最も確からしいものを選ぶテスト時スケーリング手法TACOで解決する。
原題: Steering Vision-Language-Action Models as Anti-Exploration: A Test-Time Scaling Approach / Siyuan Yang, Yang Zhang, Haoran He 他
日本語で読む → - 論文VLAロボティクス
視覚言語ロボット操作のための環境横断的な失敗推論データのスケーリング
成功軌道を摂動させて多様な失敗データを自動生成し、VLMで推論トレースを付与した大規模データセットFailCoTを構築。これで訓練した検証モデルGuardianは未知環境での失敗検出性能を向上させ、操作タスクの成功率を高めた。
原題: Scaling Cross-Environment Failure Reasoning Data for Vision-Language Robotic Manipulation / Paul Pacaud, Ricardo Garcia, Shizhe Chen 他
日本語で読む → - 論文VLAロボティクス
自律飛行体のための視覚的方位予測
単眼カメラ映像からYOLOv5で地上車両を検出し、軽量ニューラルネットでUAVの方位角を予測するGPS不要の協調フレームワークを提案。
原題: Visual Heading Prediction for Autonomous Aerial Vehicles / Reza Ahmari, Ahmad Mohammadi, Vahid Hemmati 他
日本語で読む → - 論文VLAロボティクス
視覚と言語によるナビゲーションを通じた人間とロボットの協調の改善に関する調査
視覚と言語によるナビゲーション(VLN)の最近の進歩を約200件の文献レビューで概観し、マルチロボット協調や人間とロボットの相互作用を改善するための研究方向を提案した調査論文。
原題: A Survey on Improving Human Robot Collaboration through Vision-and-Language Navigation / Nivedan Yakolli, Avinash Gautam, Abhijit Das 他
日本語で読む → - 論文VLA画像認識
DarkQA: 低照度屋内環境における視覚的プリミティブ質問応答のための視覚言語モデルベンチマーク
低照度環境での視覚言語モデルの性能を評価するため、物理的に忠実な劣化を再現した9.4Kの質問応答ペアからなるベンチマークDarkQAを提案し、既存モデルの性能低下とLLIE前処理の不安定さを明らかにした。
原題: DarkQA: Benchmarking Vision-Language Models on Visual-Primitive Question Answering in Low-Light Indoor Scenes / Yohan Park, Hyunwoo Ha, Wonjun Jo 他
日本語で読む → - 論文VLAロボティクス
WAM-Diff: マスク拡散とMoE・オンライン強化学習を統合した自動運転VLAフレームワーク
自動運転の軌道生成にマスク拡散モデルを適用し、スパースMoEとオンライン強化学習を組み合わせることで、NAVSIMベンチマークで高い性能を達成したVLAフレームワーク。
原題: WAM-Diff: A Masked Diffusion VLA Framework with MoE and Online Reinforcement Learning for Autonomous Driving / Mingwang Xu, Jiahao Cui, Feipeng Cai 他
日本語で読む → - 論文VLAロボティクス
CERNet:クラス埋め込み予測符号化RNNによるロボット運動・認識・信頼度推定の統合
クラス埋め込みベクトルを持つ階層的予測符号化RNNで、運動生成とリアルタイム認識、信頼度推定を統合したモデルを提案し、ヒューマノイドロボットで有効性を示した。
原題: CERNet: Class-Embedding Predictive-Coding RNN for Unified Robot Motion, Recognition, and Confidence Estimation / Hiroki Sawada, Alexandre Pitti, Mathias Quoy
日本語で読む → - 論文VLAロボティクス
論理を考慮したマニピュレーションに向けて:スマート製造におけるVLMベースアシスタントのための知識プリミティブ
製造現場での接触を伴う操作に必要なパラメータを8項目のタプルとして形式化し、VLMベースのアシスタントとロボット制御の間で知識信号として活用する手法を提案した。3Dプリンタのスプール取り外しタスクで検証した。
原題: Towards Logic-Aware Manipulation: A Knowledge Primitive for VLM-Based Assistants in Smart Manufacturing / Suchang Chen, Daqiang Guo
日本語で読む → - 論文VLAロボティクス
ヒューマン・イン・ザ・ループ知能ロボットのための大規模行動モデルの設計
既存の基盤モデルを組み合わせ、記号的なラッパーと検証を組み込むことで、制御可能で解釈可能な大規模行動モデルを構築し、マルチモーダルロボットでその有効性を示した。
原題: Architecting Large Action Models for Human-in-the-Loop Intelligent Robots / Kanisorn Sangchai, Methasit Boonpun, Withawin Kraipetchara 他
日本語で読む → - 論文VLAロボティクス
暗黙的ニューラルフィードバックによる人間整合型ロボット制御の強化学習
脳波の誤り関連電位を非侵襲的に計測し、事前学習済みデコーダで報酬に変換することで、明示的なフィードバックなしにロボットアームの複雑なピックアンドプレースを強化学習する手法を提案した。
原題: Reinforcement Learning from Implicit Neural Feedback for Human-Aligned Robot Control / Suzie Kim
日本語で読む → - 論文VLAロボティクス
動的ロボットタスク計画のための視覚-言語-方策モデル
実世界データで微調整した視覚言語モデルを基に、自然言語指示を解釈し、タスクシーンを推論してロボットの行動方策を生成するVLPモデルを提案。タスク変更に応じて方策を動的に更新でき、異なるロボットや新規タスクへの適応性を示した。
原題: Vision-Language-Policy Model for Dynamic Robot Task Planning / Jin Wang, Kim Tien Ly, Jacques Cloete 他
日本語で読む → - 論文VLA機械学習
原子行動スライシング:汎用VLAエージェントのためのプランナー整合オプション
長期的なデモを短い原子行動に分解するAASを提案し、LIBEROで検証済みデータセットを作成。CLIP-RT+の微調整によりタスク成功率が向上した。
原題: Atomic Action Slicing: Planner-Aligned Options for Generalist VLA Agents / Stefan Tabakov, Asen Popov, Dimitar Dimitrov 他
日本語で読む → - 論文VLAロボティクス
WholeBodyVLA:全身移動操作のための統合潜在VLA
低コストな自己視点動画から移動操作知識を学ぶ統合潜在VLAと、精密な移動指令を実行するRLポリシーを組み合わせ、ヒューマノイドの広域移動操作を実現した。
原題: WholeBodyVLA: Towards Unified Latent VLA for Whole-Body Loco-Manipulation Control / Haoran Jiang, Jin Chen, Qingwen Bu 他
日本語で読む → - 論文VLAロボティクス
VLSA: プラグアンドプレイ安全制約層を備えた視覚-言語-行動モデル
VLAモデルに制御バリア関数ベースの安全制約層を追加し、指示追従性能を保ちつつ衝突回避を改善する手法を提案し、SafeLIBEROベンチマークで評価した。
原題: VLSA: Vision-Language-Action Models with Plug-and-Play Safety Constraint Layer / Songqiao Hu, Zeyi Liu, Shuang Liu 他
日本語で読む → - 論文自動運転VLA画像認識
潜在連鎖推論によるエンドツーエンド運転の世界モデリング
運転行動の推論を自然言語ではなく、行動と整合した潜在空間で行うLCDriveを提案し、推論速度・軌道品質・強化学習の効果を向上させた。
原題: Latent Chain-of-Thought World Modeling for End-to-End Driving / Shuhan Tan, Kashyap Chitta, Yuxiao Chen 他
日本語で読む → - 論文VLA自然言語
食器を出して:収納された家庭用品の意味理解
家庭内で「お皿を持ってきて」という指示に対し、見えない収納場所を推論するベンチマークと、視覚と言語モデルを組み合わせたNOAMを提案した論文。
原題: Break Out the Silverware -- Semantic Understanding of Stored Household Items / Michaela Levi-Richter, Reuth Mirsky, Oren Glickman
日本語で読む → - 論文VLAロボティクス
EVE: 生成的ポリシーのための生成器-検証器システム
拡散・フローマッチングなどの生成的視覚運動ポリシーを、追加学習なしでテスト時にVLMベースの検証器群と組み合わせて性能を向上させるフレームワークEVEを提案。
原題: EVE: A Generator-Verifier System for Generative Policies / Yusuf Ali, Gryphon Patlin, Karthik Kothuri 他
日本語で読む → - 論文VLAロボティクス
Vision-Language-Actionモデルのタスク適応:2025 BEHAVIORチャレンジ優勝ソリューション
2025 BEHAVIORチャレンジで優勝した、Pi0.5をベースに相関ノイズや混合層注意などを導入した双腕操作・ナビゲーション対応の視覚行動ポリシー。
原題: Task adaptation of Vision-Language-Action model: 1st Place Solution for the 2025 BEHAVIOR Challenge / Ilia Larchenko, Gleb Zarin, Akash Karnatak
日本語で読む → - 論文VLA機械学習
Sigma: 視覚-言語-行動モデルのテレパシー的整合への鍵
オープンソースのpi0.5_baseをベースにLoRA微調整と推論アダプタを組み合わせ、意味論と連続制御の間の整合を図るVLAモデルSigmaを構築し、制御MSEを低減した。
原題: Sigma: The Key for Vision-Language-Action Models toward Telepathic Alignment / Libo Wang
日本語で読む → - 論文VLA画像認識
GeoPredict: 予測キネマティクスと3Dガウス幾何を活用した高精度VLAマニピュレーション
ロボットアームの将来の3Dキーポイント軌道と作業空間の3Dガウス幾何を予測するモジュールをVLAモデルに追加し、訓練時のみの監督で推論時は軽量なトークン追加だけで精度を向上させた。
原題: GeoPredict: Leveraging Predictive Kinematics and 3D Gaussian Geometry for Precise VLA Manipulation / Jingjing Qian, Boyao Han, Chen Shi 他
日本語で読む → - 論文VLAロボティクス
VLG-Loc: ラベル付きフットプリントマップからの視覚言語グローバル位置推定
視覚言語モデルを活用し、ランドマーク名と領域のみが記載された人間可読なフットプリントマップを用いてロボットのグローバル位置推定を行う手法を提案。
原題: VLG-Loc: Vision-Language Global Localization from Labeled Footprint Maps / Mizuho Aoki, Kohei Honda, Yasuhiro Yoshimura 他
日本語で読む → - 論文VLAロボティクス
STARE-VLA:視覚言語行動モデルの微調整のための段階的ステージ認識強化学習
長期的な行動軌跡を意味のある段階に分解し、段階ごとに密な強化学習信号を与えることで、VLAモデルの微調整を安定化・高精度化する手法を提案。
原題: STARE-VLA: Progressive Stage-Aware Reinforcement for Fine-Tuning Vision-Language-Action Models / Feng Xu, Guangyao Zhai, Xin Kong 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ニューロシンボリック制御:言語指示に基づく空間タスク
LLMに記号的なタスク解釈を任せ、連続空間の動作は軽量ニューラルコントローラが担うモジュール型ニューロシンボリック枠組みを提案し、言語指示付き平面マニピュレーションで成功率と効率を大幅に改善した。
原題: Neuro-Symbolic Control with Large Language Models for Language-Guided Spatial Tasks / Momina Liaqat Ali, Muhammad Abid, Muhammad Saqlain 他
日本語で読む →
PR・アフィリエイト広告
