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
VLAモデルの信頼性指標としての輸送不一致
フローマッチング型VLAモデルにおいて、観測特徴と行動表現間の輸送コストを信頼性指標として利用し、推論時に行動を反復修正する軽量プラグインDiGを提案した論文。
原題: Transport Discrepancy as a Reliability Signal for Vision-Language-Action Models / Wanpeng Zhang, Ye Wang, Hao Luo 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 → - 論文VLA画像認識
赤外線産業センシングのための視覚言語モデル:積層造形シーン記述への応用
赤外線カメラ画像をRGB互換入力に変換し、CLIPベースの視覚言語モデルを再学習なしで適応させるゼロショット枠組みVLM-IRISを提案し、3Dプリンタ上でのワークピース存在検出を実証した。
原題: Vision-Language Models for Infrared Industrial Sensing in Additive Manufacturing Scene Description / Nazanin Mahjourian, Vinh Nguyen
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
視覚-言語-行動モデルにおける人間からロボットへの転移の創発
多様なロボットデータで事前学習したVLAモデルに人間の動画を共訓練すると、人間からロボットへのスキル転移が自然に生じることを示し、その要因が身体非依存の表現獲得にあると分析した。
原題: Emergence of Human to Robot Transfer in Vision-Language-Action Models / Simar Kareer, Karl Pertsch, James Darpinian 他
日本語で読む → - 論文VLAロボティクス
ETP-R1: 強化学習ファインチューニングによるトポロジカル計画の進化 — 連続環境における視覚言語ナビゲーション
連続環境での視覚言語ナビゲーション(VLN-CE)において、グラフベースのモデルに大規模データと強化学習ファインチューニングを適用し、R2R-CEで最先端性能を達成した研究。
原題: ETP-R1: Evolving Topological Planning with Reinforcement Fine-tuning for Vision-Language Navigation in Continuous Environments / Shuhao Ye, Sitong Mao, Yuxiang Cui 他
日本語で読む → - 論文VLAロボティクス
視覚シンボルによるマニピュレーション失敗の診断・修正・学習
視覚シンボルを用いてロボットマニピュレーションの失敗を診断し、テキストと視覚の両方で修正ガイダンスを提供するフレームワークViFailbackを提案し、大規模データセットとベンチマークを構築した。
原題: Diagnose, Correct, and Learn from Manipulation Failures via Visual Symbols / Xianchao Zeng, Xinyu Zhou, Youcheng Li 他
日本語で読む → - 論文VLAAI
創発:能動的問い合わせによる非対称身体性エージェントの特権情報バイアス克服
AI2-THOR内で知識を持つLeaderとセンサー制限のあるFollowerの協調を検証し、能動的問い合わせが特権情報バイアスを軽減することを示した研究。
原題: Emergence: Overcoming Privileged Information Bias in Asymmetric Embodied Agents via Active Querying / Shaun Baek, Sam Liu, Joseph Ukpong
日本語で読む → - 論文VLAロボティクス
RoboWheel: 実世界の人間デモンストレーションから異形態ロボット学習用データを生成するデータエンジン
人間の手と物体のインタラクション動画から、接触を考慮した軌道を再構成し、多様なロボット形態へ再ターゲティングして学習データを生成するデータエンジンを提案。VLAや模倣学習でテレオペ並みの性能を実証。
原題: RoboWheel: A Data Engine from Real-World Human Demonstrations for Cross-Embodiment Robotic Learning / Yuhong Zhang, Zihan Gao, Shengpeng Li 他
日本語で読む → - 論文VLA画像認識
MM-ACT: マルチモーダル並列生成から行動を学習する統合VLAモデル
テキスト・画像・行動を共有トークン空間で統合し、並列デコードで生成するVLAモデルを提案。LIBEROや実機Franka、RoboTwin2.0で高い成功率を達成した。
原題: MM-ACT: Learn from Multimodal Parallel Generation to Act / Haotian Liang, Xinyi Chen, Bin Wang 他
日本語で読む → - 論文VLAロボティクス
動作画像拡散との共同学習によるロボットVLAの性能向上
VLAモデルに将来の動きを予測する動作ヘッドを追加し、動作ヘッドと共同学習することで、推論速度を保ちながら動作推論能力と実環境性能を大幅に向上させた。
原題: Robotic VLA Benefits from Joint Learning with Motion Image Diffusion / Yu Fang, Kanchana Ranasinghe, Le Xue 他
日本語で読む → - 論文VLAロボティクス
遅延対応拡散ポリシー:動的タスクにおける観測と実行のギャップを埋める
推論遅延をポリシー学習に明示的に組み込み、遅延補償された軌道と遅延条件付けで動的タスクの成功率を向上させるフレームワークを提案。
原題: Delay-Aware Diffusion Policy: Bridging the Observation-Execution Gap in Dynamic Tasks / Aileen Liao, Dong-Ki Kim, Max Olan Smith 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
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
GLaD: 視覚言語行動モデルのための幾何潜在蒸留
3D幾何情報を知識蒸留でVLAモデルに組み込み、深度センサーや3D注釈なしで空間推論と操作性能を向上させた手法。
原題: GLaD: Geometric Latent Distillation for Vision-Language-Action Models / Minghao Guo, Meng Cao, Jiachen Tao 他
日本語で読む → - 論文VLAロボティクス
固有感覚情報を活用した視覚言語モデルによるロボットタスクのキャプション生成とサブタスク分割
ロボットの関節・エンドエフェクタ状態を視覚言語モデルに入力し、タスクの自動キャプション生成とサブタスク分割の精度を向上させる手法を提案し、シミュレータ実験で有効性を検証した。
原題: Proprioception Enhances Vision Language Model in Generating Captions and Subtask Segmentations for Robot Task / Kanata Suzuki, Shota Shimizu, Tetsuya Ogata
日本語で読む → - 論文VLAロボティクス
VLA-AN: 複雑環境での空中ナビゲーション向け効率的オンボード視覚言語行動フレームワーク
3Dガウススプラッティングによる高忠実度データセットと3段階学習、軽量行動モジュールと幾何学的安全補正を組み合わせ、リソース制約のあるドローン上でリアルタイム推論を8.3倍高速化し、最大98.1%のタスク成功率を達成したオンボードVLAナビゲーション手法。
原題: VLA-AN: An Efficient and Onboard Vision-Language-Action Framework for Aerial Navigation in Complex Environments / Yuze Wu, Mo Zhu, Xingxing Li 他
日本語で読む → - 論文自動運転/VLAロボティクス
WAM-Flow: 離散フローマッチングによる並列粗密運動計画
自動運転の軌道計画を離散フローマッチングで並列生成するVLAモデルを提案し、NAVSIMで高精度を達成した。
原題: WAM-Flow: Parallel Coarse-to-Fine Motion Planning via Discrete Flow Matching for Autonomous Driving / Yifang Xu, Jiahao Cui, Feipeng Cai 他
日本語で読む → - 論文VLAロボティクス
VideoVLA:動画生成モデルを汎用ロボットマニピュレータに転換
大規模動画生成モデルをロボットの視覚-言語-行動モデルに転換し、言語指示と画像から行動列と将来の視覚結果を同時予測することで、新規物体や他機体スキルへの汎化を実現した。
原題: VideoVLA: Video Generators Can Be Generalizable Robot Manipulators / Yichao Shen, Fangyun Wei, Zhiying Du 他
日本語で読む → - 論文VLAロボティクス
PhysBrain:自己中心視点データで視覚言語モデルを身体知能へ橋渡し
人間の自己中心視点動画をスキーマ駆動で身体化監督に変換するパイプラインを提案し、大規模データセットE2E-3Mで訓練した身体化脳PhysBrainがロボット制御のサンプル効率と成功率を向上させることを示した。
原題: PhysBrain: Human Egocentric Data as a Bridge from Vision Language Models to Physical Intelligence / Xiaopeng Lin, Shijie Lian, Bin Yu 他
日本語で読む → - 論文VLAロボティクス
単眼深度推定を用いた農業向け視覚言語ナビゲーション
農業ロボットの単眼カメラ映像から深度特徴を生成し、言語指示に従ったナビゲーション精度を向上させる手法を提案した。
原題: MDE-AgriVLN: Agricultural Vision-and-Language Navigation with Monocular Depth Estimation / Xiaobei Zhao, Xingqi Lyu, Xin Chen 他
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
視覚-言語-行動モデルによる選択的ロボット分解:デスクトップからの重要部品抽出に関するケーススタディ
廃棄デスクトップからRAMやCPUを分解するタスクにVLAモデル(OpenVLA、OpenVLA-OFT)を適用し、微調整した結果、初期段階は成功するが一部の重要サブタスクで失敗することを示し、ルールベース制御とのハイブリッド戦略の有効性を報告した。
原題: Vision-Language-Action Models for Selective Robotic Disassembly: A Case Study on Critical Component Extraction from Desktops / Chang Liu, Sibo Tian, Sara Behdad 他
日本語で読む → - 論文VLA画像認識
MMDrive: マルチ表現融合による視覚を超えた対話的シーン理解
占有マップ・LiDAR点群・テキスト記述を統合し、質問に応じて適応的に融合する自動運転向けマルチモーダル視覚言語モデルを提案。DriveLMとNuScenes-QAで高精度を達成。
原題: MMDrive: Interactive Scene Understanding Beyond Vision with Multi-representational Fusion / Minghui Hou, Wei-Hsing Huang, Shaofeng Liang 他
日本語で読む → - 論文VLAロボティクス
物体中心・幾何グラウンディングによる clutter に頑健な VLA モデル
VLA の知覚と行動を分離し、タスク関連物体の領域選択と3D構造の強調を行う知覚モジュールを導入することで、 clutter や背景変化に強い操作を実現した。
原題: Clutter-Robust Vision-Language-Action Models through Object-Centric and Geometry Grounding / Khoa Vo, Taisei Hanyu, Yuki Ikebe 他
日本語で読む → - 論文VLAロボティクス
ImplicitRDP: 構造的スローファスト学習による視覚-力覚拡散ポリシー
視覚と力覚を単一ネットワークで統合し、非同期トークンを因果注意で処理する拡散ポリシーを提案。接触の多い操作タスクで高い反応性と成功率を実現した。
原題: ImplicitRDP: An End-to-End Visual-Force Diffusion Policy with Structural Slow-Fast Learning / Wendi Chen, Han Xue, Yi Wang 他
日本語で読む → - 論文VLA画像認識
MomaGraph: 視覚言語モデルによる状態認識統合シーングラフと身体性タスクプランニング
家庭内の移動マニピュレータ向けに、空間的・機能的関係と物体状態を統合したシーングラフ表現MomaGraphと、大規模データセット・評価ベンチマーク・強化学習で訓練した7B視覚言語モデルMomaGraph-R1を提案し、ゼロショットタスクプランニングで最先端性能を達成した。
原題: MomaGraph: State-Aware Unified Scene Graphs with Vision-Language Model for Embodied Task Planning / Yuanchen Ju, Yongyuan Liang, Yen-Jen Wang 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 →
PR・アフィリエイト広告
