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
アフォーダンス場介入:ロボットマニピュレーションにおけるVLAの記憶トラップからの脱出
VLAモデルが未知環境で記憶した軌道に固執する「記憶トラップ」を固有感覚で検知し、3D空間アフォーダンス場をプラグインとして用いて軌道を修正する軽量ハイブリッド手法を提案。
原題: Affordance Field Intervention: Enabling VLAs to Escape Memory Traps in Robotic Manipulation / Siyu Xu, Zijian Wang, Yunke Wang 他
日本語で読む → - 論文VLAロボティクス
ロボティクスのための視覚言語モデルにおける推論を伴う空間トレースに向けて
3D空間の参照と計測を統合したVLM「RoboTracer」を提案し、強化学習による多段階の空間推論を実現。大規模データセットとベンチマークも構築し、ロボットの長期的タスク実行に応用した。
原題: Towards Spatial Trace with Reasoning in Vision-Language Models for Robotics / Enshen Zhou, Yibo Li, Jingkun An 他
日本語で読む → - 論文VLAロボティクス
VLAモデルは思われているよりずっと汎化する:物理・空間モデリングの再検討
VLAモデルの視点変化への脆弱性は空間モデリングのずれが主因だと示し、4Kパラメータの特徴トークン変調で視点精度を48.5%から87.1%へ改善、低ランク適応で90.8%を達成した。
原題: VLA Models Are More Generalizable Than You Think: Revisiting Physical and Spatial Modeling / Weiqi Li, Quande Zhang, Ruifeng Zhai 他
日本語で読む → - 論文VLAロボティクス
NL2SpaTiaL: マニピュレーションタスク向け自然言語からの幾何時空間論理仕様生成
自然言語から時空間論理仕様を階層的論理木として生成するフレームワークを提案し、マニピュレーションタスクの検証を可能にした。
原題: NL2SpaTiaL: Generating Geometric Spatio-Temporal Logic Specifications from Natural Language for Manipulation Tasks / Licheng Luo, Kaier Liang, Yu Xia 他
日本語で読む → - 論文VLAロボティクス
パラメータマージによる視覚-言語-行動ロボット方策の頑健なファインチューニング
ファインチューニング時に事前学習済みモデルと重みを補間することで、汎用能力を保ちつつ新しいタスクを頑健に学習する手法を提案した。
原題: Robust Finetuning of Vision-Language-Action Robot Policies via Parameter Merging / Yajat Yadav, Zhiyuan Zhou, Andrew Wagenmaker 他
日本語で読む → - 論文VLAロボティクス
LLMによる静的テキストシミュレーションを用いた修正型ロボット操作コード生成
LLMを静的シミュレータとして活用し、ロボット操作コードの実行をテキスト上で検証・修正するフレームワークを提案。物理実験や専用シミュレータ不要で高精度なコード生成を実現した。
原題: LLM-Driven Corrective Robot Operation Code Generation with Static Text-Based Simulation / Wenhao Wang, Yi Rong, Yanyan Li 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 → - 論文自動運転/VLAロボティクス
LLaViDA: 明示的推論と軌道計画強化のための大規模言語視覚運転アシスタント
視覚言語モデル(VLM)を用いて物体運動予測・意味的接地・連鎖的推論を行い、二段階学習で自動運転の軌道計画を高精度化した研究。NuScenesで平均L2誤差0.31m・衝突率0.10%を達成。
原題: LLaViDA: A Large Language Vision Driving Assistant for Explicit Reasoning and Enhanced Trajectory Planning / Yudong Liu, Spencer Hallyburton, Jiwoo Kim 他
日本語で読む → - 論文VLA画像認識
SpaceTools: 二重対話型強化学習によるツール拡張空間推論
VLMが複数の視覚ツールを強化学習で協調利用できるよう訓練する二段階フレームワークDIRLを提案し、空間推論ベンチマークで最高性能と実機マニピュレーションを実現した。
原題: SpaceTools: Tool-Augmented Spatial Reasoning via Double Interactive RL / Siyi Chen, Mikaela Angelina Uy, Chan Hee Song 他
日本語で読む → - 論文VLAロボティクス
見て行動し、プロンプトで指定する:視覚言語行動ポリシーのベイズ分解
VLAモデルのファインチューニングで生じる言語忘却と視覚ショートカットを、ポリシーを視覚行動事前と言語条件付き尤度にベイズ分解することで解決し、未知の指示・物体・環境への汎化性能を向上させた。
原題: Seeing to Act, Prompting to Specify: A Bayesian Factorization of Vision Language Action Policy / Kechun Xu, Zhenjie Zhu, Anzhe Chen 他
日本語で読む → - 論文VLAロボティクス
学習時アクション条件付けによる効率的なリアルタイムチャンキング
推論時のインペインティングの代わりに、学習時に推論遅延を模擬してアクションプレフィックスで条件付けることで、VLAのリアルタイムチャンキングを計算コストを抑えつつ実現する手法を提案。
原題: Training-Time Action Conditioning for Efficient Real-Time Chunking / Kevin Black, Allen Z. Ren, Michael Equi 他
日本語で読む → - 論文VLA画像認識
ロボットはいつ「わからない」と言うべきか:身体性質問応答における棄権のベンチマーク
身体性質問応答(EQA)において、エージェントが答えを保留すべき状況を評価するベンチマークAbstainEQAを構築し、最先端モデルでも棄権の判断が難しいことを示した。
原題: When Robots Should Say "I Don't Know": Benchmarking Abstention in Embodied Question Answering / Tao Wu, Chuhao Zhou, Guangyu Zhao 他
日本語で読む → - 論文VLAロボティクス
建設作業におけるロボットスキル学習のサンプル効率:階層型強化学習と視覚言語行動VLAモデルのベンチマーク
建設ロボットのスキル学習において、VLAモデルと強化学習を比較し、VLAが汎化性能と少数ショット学習で優れ、実タスクへの適用が容易であることを示した。
原題: Sample-Efficient Robot Skill Learning for Construction Tasks: Benchmarking Hierarchical Reinforcement Learning and Vision-Language-Action VLA Model / Zhaofeng Hu, Hongrui Yu, Vaidhyanathan Chandramouli 他
日本語で読む → - 論文VLAロボティクス
VLASH: 未来状態を考慮した非同期推論によるリアルタイムVLA
ロボットの状態を前回の行動チャンクで先読みし、予測と実行の時間ずれを解消することで、追加コストなしにVLAの非同期推論を高速化・安定化する手法を提案。
原題: VLASH: Real-Time VLAs via Future-State-Aware Asynchronous Inference / Jiaming Tang, Yufei Sun, Yilong Zhao 他
日本語で読む → - 論文VLAロボティクス
LookPlanGraph: VLMによるグラフ拡張を用いた身体性指示追従手法
シーングラフをVLMで実行中に更新し、環境変化に対応する指示追従手法を提案。シミュレーションと実環境で有効性を示し、新データセットGraSIFも導入。
原題: LookPlanGraph: Embodied Instruction Following Method with VLM Graph Augmentation / Anatoly O. Onishchenko, Alexey K. Kovalev, Aleksandr I. Panov
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画像認識
指し示す場所を意図せよ:視覚的根拠に基づく指示ポリシー
言語指示にバウンディングボックスなどの視覚的手がかりを追加することで、混雑環境や未知物体でも対象を正確に特定できるVLAポリシー「Point-VLA」を提案し、自動データ注釈パイプラインで効率的に学習した。
原題: Point What You Mean: Visually Grounded Instruction Policy / Hang Yu, Juntu Zhao, Yufeng Liu 他
日本語で読む → - 論文VLAロボティクス
NavForesee:階層的計画と二重時間軸ナビゲーション予測のための統合視覚言語ワールドモデル
単一の視覚言語モデルで、言語指示の分解・進捗追跡による高レベル計画と、短期環境変化・長期マイルストーンの予測を同時に行い、屋内ナビゲーション性能を向上させた研究。
原題: NavForesee: A Unified Vision-Language World Model for Hierarchical Planning and Dual-Horizon Navigation Prediction / Fei Liu, Shichao Xie, Minghua Luo 他
日本語で読む → - 論文VLAロボティクス
BLURR: 視覚言語行動モデルのための低リソース推論ブースト
再学習なしで既存のVLAコントローラに組み込める軽量推論ラッパーBLURRを提案し、KVキャッシュや混合精度、単一ステップロールアウトで計算量と遅延を削減した。
原題: BLURR: A Boosted Low-Resource Inference for Vision-Language-Action Models / Xiaoyu Ma, Zhengqing Yuan, Zheyuan Zhang 他
日本語で読む → - 論文VLAロボティクス
Vision-Language-Actionモデルの解剖学:モジュールからマイルストーン、課題まで
VLAモデルの基本構成から歴史的発展、そして表現・実行・汎化・安全性・データセットと評価という5大課題を整理したサーベイ論文。
原題: An Anatomy of Vision-Language-Action Models: From Modules to Milestones and Challenges / Chao Xu, Suyu Zhang, Yang Liu 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
未来の触覚を予測して接触操作を学習するDreamTacVLA
高解像度触覚画像と視覚を統合し、将来の触覚信号を予測する触覚ワールドモデルで微調整することで、接触の多い操作タスクにおけるVLAモデルの性能を向上させた研究。
原題: Learning to Feel the Future: DreamTacVLA for Contact-Rich Manipulation / Guo Ye, Zexi Zhang, Xu Zhao 他
日本語で読む → - 論文VLAロボティクス
ゆっくり理解し、素早く動く:汎用視覚言語ナビゲーションのための二重システム基盤モデル
VLMによる高レベル計画と拡散トランスフォーマによる低レベル行動生成を組み合わせ、動的環境でもリアルタイムに適応できる視覚言語ナビゲーション基盤モデルを提案した。
原題: Ground Slow, Move Fast: A Dual-System Foundation Model for Generalizable Vision-and-Language Navigation / Meng Wei, Chenyang Wan, Jiaqi Peng 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
手頃なフィジカルAIに向けて:実世界ロボット制御のためのVLAモデルのLoRAファインチューニング
LoRAと量子化を用いて30億パラメータ級のVLAモデルを8GB VRAMの民生GPUで動かせるようにファインチューニングし、低コストなSO101ロボットアームでのボタン押しタスクに実装した研究。
原題: Towards Accessible Physical AI: LoRA-Based Fine-Tuning of VLA Models for Real-World Robot Control / Abdullah Yahya Abdullah Omaisan, Ibrahim Sheikh Mohamed
日本語で読む → - 論文VLA画像認識
VAT: ViTの全表現を活用する視覚行動トランスフォーマー
ViTの全層の特徴を行動生成に融合させるVATを提案し、LIBEROベンチマークで98.15%の成功率を達成した模倣学習モデル。
原題: VAT: Vision Action Transformer by Unlocking Full Representation of ViT / Wenhao Li, Chengwei Ma, Weixin Mao
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機械学習
いつ尋ねるべきかを学ぶ:シミュレーション訓練されたヒューマノイドによるメンタルヘルス診断
うつ病・PTSDスクリーニング対話エージェントを、MetaHuman患者とのシミュレーションで訓練し、TD3がPPOやCEMより安定したペースで高い診断カバレッジを達成した。
原題: Learning When to Ask: Simulation-Trained Humanoids for Mental-Health Diagnosis / Filippo Cenacchi, Deborah Richards, Longbing Cao
日本語で読む → - 論文VLAロボティクス
RoboMirror: 模倣の前に理解する、動画からヒューマノイド歩行への変換
VLMを用いて動画から視覚的な運動意図を抽出し、拡散ポリシーを条件付けることで、ポーズ再構成やリターゲティングなしにヒューマノイドの歩行を生成するフレームワークを提案。
原題: RoboMirror: Understand Before You Imitate for Video to Humanoid Locomotion / Zhe Li, Cheng Chi, Boan Zhu 他
日本語で読む →
PR・アフィリエイト広告
