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: 2025/11/1 / 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画像認識
DualVLA: 推論と行動の部分的デカップリングによる汎用身体性エージェントの構築
ロボット実演で訓練したVLAモデルにマルチモーダル推論を追加すると行動性能が劣化する「行動退化」を解決するため、二層データ選別と二重教師適応蒸留を提案し、推論能力を保ちつつ行動精度を向上させた。
原題: DualVLA: Building a Generalizable Embodied Agent via Partial Decoupling of Reasoning and Action / Zhen Fang, Zhuoyang Liu, Jiaming Liu 他
日本語で読む → - 論文VLAロボティクス
意味と物理の整合を図る連続的視覚-言語-行動の共同学習による行動クローニング
視覚・言語・固有感覚入力を連続的に共同学習し、双方向クロスアテンションで意味と物理のずれを解消することで、行動クローニングの累積誤差を抑え、滑らかで一貫した操作を実現するフレームワークを提案した。
原題: Continuous Vision-Language-Action Co-Learning with Semantic-Physical Alignment for Behavioral Cloning / Xiuxiu Qi, Yu Yang, Jiannong Cao 他
日本語で読む → - 論文VLAロボティクス
ExpReS-VLA: 経験再生と検索による視覚言語行動モデルの特化
事前学習済みVLAモデルを、圧縮した経験再生バッファと検索拡張生成で破滅的忘却を防ぎつつ展開環境に高速適応させる手法。
原題: ExpReS-VLA: Specializing Vision-Language-Action Models Through Experience Replay and Retrieval / Shahram Najam Syed, Yatharth Ahuja, Arthur Jakobsson 他
日本語で読む → - 論文VLAロボティクス
成功を超えて:混合品質データからのジャストインタイム介入による優雅なロボットマニピュレーションの洗練
人間のデモの混合品質に起因するVLAモデルの実行品質のばらつきを改善するため、暗黙のタスク制約を評価するElegance Criticを学習し、推論時に必要な瞬間だけ介入するJITI機構を提案した。
原題: Beyond Success: Refining Elegant Robot Manipulation from Mixed-Quality Data via Just-in-Time Intervention / Yanbo Mao, Jianlong Fu, Ruoxuan Zhang 他
日本語で読む → - 論文VLAロボティクス
RynnVLA-002:視覚言語行動と世界モデルの統合
視覚言語行動モデルと世界モデルを統合し、環境の物理を学習して行動生成を洗練させるフレームワークを提案。シミュレーションと実機で性能向上を実証。
原題: RynnVLA-002: A Unified Vision-Language-Action and World Model / Jun Cen, Siteng Huang, Yuqian Yuan 他
日本語で読む → - 論文VLAロボティクス
進化し続けるスキル知識を持つ視覚言語行動モデル
VLAモデルにパラメータを増やさずに継続的模倣学習を導入し、知識誘導型エキスパートルーティングでタスク特化を実現するフレームワークStellar VLAを提案。
原題: Continually Evolving Skill Knowledge in Vision Language Action Model / Yuxuan Wu, Guangming Wang, Zhiheng Yang 他
日本語で読む → - 論文VLA画像認識
実験室から実世界応用へ:モバイルロボティクス向けエッジデバイス上でのゼロショットシーン解釈の評価
モバイルロボティクス向けに、エッジデバイスで動作する小型視覚言語モデル(VLM)のゼロショットシーン解釈と行動認識能力を評価し、精度と推論時間のトレードオフや課題を議論した。
原題: From the Laboratory to Real-World Application: Evaluating Zero-Shot Scene Interpretation on Edge Devices for Mobile Robotics / Nicolas Schuler, Lea Dewald, Nick Baldig 他
日本語で読む → - 論文VLAロボティクス
PerspAct: 視点取得と能動的視覚によるLLMの状況的協調スキルの向上
LLMに他者の視点を明示的に与え、能動的な視覚探索と組み合わせることで、協調タスクにおける指示理解の精度が向上することを示した研究。
原題: PerspAct: Enhancing LLM Situated Collaboration Skills through Perspective Taking and Active Vision / Sabrina Patania, Luca Annese, Anita Pellegrini 他
日本語で読む → - 論文VLAロボティクス
道路状況検出とC-ITSメッセージ生成のためのマルチエージェントAIフレームワーク
マルチモーダル大規模言語モデルと視覚ベース知覚を組み合わせたマルチエージェントAIで、道路状況の検出と協調型ITSメッセージ生成を行う。
原題: Multi-Agent AI Framework for Road Situation Detection and C-ITS Message Generation / Kailin Tong, Selim Solmaz, Kenan Mujkic 他
日本語で読む → - 論文VLAロボティクス
InternData-A1:汎用ポリシー事前学習のための高忠実度合成データ
大規模シミュレーションで生成した63万軌道超の合成データセットInternData-A1を構築し、合成データのみでVLAモデルを事前学習しても実データと同等の性能が得られることを示した。
原題: InternData-A1: Pioneering High-Fidelity Synthetic Data for Pre-training Generalist Policy / Yang Tian, Yuyin Yang, Yiman Xie 他
日本語で読む → - 論文VLAロボティクス
ROSBag MCPサーバ:LLMによるロボットデータ解析で実現するエージェント型身体性AI
ROS/ROS 2のbagデータを自然言語で解析・可視化・処理できるMCPサーバを提案し、8種のLLM/VLMのツール呼び出し性能を比較評価した。
原題: ROSBag MCP Server: Analyzing Robot Data with LLMs for Agentic Embodied AI Applications / Lei Fu, Sahar Salimpour, Leonardo Militano 他
日本語で読む → - 論文VLA画像認識
観察から行動へ:産業環境におけるVLA事前学習のための潜在行動ベースのプリミティブセグメンテーション
産業用の連続動画から人間の作業を教師なしで行動プリミティブに分割し、VLAモデルの事前学習に使える構造化データを自動生成するフレームワークを提案した。
原題: From Observation to Action: Latent Action-based Primitive Segmentation for VLA Pre-training in Industrial Settings / Jiajie Zhang, Sören Schwertfeger, Alexander Kleiner
日本語で読む → - 論文VLAロボティクス
TraceGen: 3Dトレース空間での世界モデリングによる異なる身体性の動画からの学習
人間や他ロボットの動画を3Dトレース空間に変換し、少ない実機動画で新タスクを学習できる世界モデルTraceGenを提案。
原題: TraceGen: World Modeling in 3D Trace Space Enables Learning from Cross-Embodiment Videos / Seungjae Lee, Yoonkyo Jung, Inkook Chun 他
日本語で読む → - 論文VLAロボティクス
XR-1: 統合視覚運動表現の学習による汎用視覚-言語-行動モデル
視覚ダイナミクスとロボット運動を統合した離散潜在表現UVMCを二枝VQ-VAEで学習し、異種ロボットデータを横断する汎用VLAモデルXR-1を三段階学習で構築した研究。
原題: XR-1: Towards Versatile Vision-Language-Action Models via Learning Unified Vision-Motion Representations / Shichao Fan, Kun Wu, Zhengping Che 他
日本語で読む → - 論文VLAロボティクス
VLMによるロボット組立タスクのスキル選択
視覚言語モデルと模倣学習を組み合わせ、自然言語指示に基づいてロボットが組立作業のスキルを選択・実行するフレームワークを提案した。
原題: VLM-driven Skill Selection for Robotic Assembly Tasks / Jeong-Jung Kim, Doo-Yeol Koh, Chang-Hyun Kim
日本語で読む → - 論文VLAロボティクス
ロボット駆動データフライホイール:実環境展開による継続的データ収集と基盤モデル適応
ロボットを実環境に配備してタスク遂行中に実世界データを収集し、基盤モデルを継続的に改善する「データフライホイール」枠組みを提案。図書館で2週間稼働した移動マニピュレータScanfordで、VLMの書架スキャンと自動ラベリングによりドメイン特化・隣接タスクの性能を向上させた。
原題: Robot-Powered Data Flywheels: Deploying Robots in the Wild for Continual Data Collection and Foundation Model Adaptation / Jennifer Grannen, Michelle Pan, Kenneth Llontop 他
日本語で読む → - 論文VLAロボティクス
統合拡散VLA:離散デノイジング拡散プロセスによる視覚・言語・行動モデル
視覚・言語・行動を単一の離散デノイジング拡散過程で統合し、画像生成と行動予測を同時に最適化するVLAモデルを提案。CALVINやLIBEROなどで最高性能を達成。
原題: Unified Diffusion VLA: Vision-Language-Action Model via Joint Discrete Denoising Diffusion Process / Jiayi Chen, Wenxuan Song, Pengxiang Ding 他
日本語で読む → - 論文VLAロボティクス
MergeVLA: スキル横断モデルマージによる汎用視覚言語行動エージェント
異なるタスクで訓練したVLAエキスパートを統合する際の非マージ性の原因を分析し、タスクマスク付きLoRAとクロスアテンションのみの行動エキスパートで設計段階からマージ可能にしたVLAアーキテクチャを提案。
原題: MergeVLA: Cross-Skill Model Merging Toward a Generalist Vision-Language-Action Agent / Yuxia Fu, Zhizhen Zhang, Yuqi Zhang 他
日本語で読む → - 論文VLAロボティクス
共有自律によるエンドツーエンドの器用な腕・手VLAポリシー:自律ハンドVLAポリシーで拡張したVRテレオペレーションによる効率的なデータ収集
VRテレオペレーションで腕を人間が操作し、手は自律VLAポリシーが触覚・視覚フィードバックで制御する共有自律フレームワークを提案し、効率的に高品質な腕・手協調のデモを収集してエンドツーエンドVLAポリシーを学習、多様な物体で90%の成功率を達成した。
原題: End-to-End Dexterous Arm-Hand VLA Policies via Shared Autonomy: VR Teleoperation Augmented by Autonomous Hand VLA Policy for Efficient Data Collection / Yu Cui, Yujian Zhang, Lina Tao 他
日本語で読む → - 論文VLAロボティクス
言語モデルをロボティクス向け閉ループ高レベルプランナとして活用する:概要とベンチマーク
LLM/VLMをロボットの高レベルプランナとして閉ループで使う際の制御ホライズンやウォームスタートの影響を実験的に調べ、性能と堅牢性を高める実践的指針を示した。
原題: Using Language Models as Closed-Loop High-Level Planners for Robotics Applications: A Brief Overview and Benchmarks / Hao Wang, Sathwik Karnik, Bea Lim 他
日本語で読む → - 論文VLA画像認識
Prune-Then-Plan: 身体性質問応答における安定したフロンティア探索のためのステップレベル校正
VLMの過信によるフロンティア振動を抑えるため、ステップレベルで候補を枝刈りしてからカバレッジベースのプランナに決定を委ねる枠組みを提案し、EQAの探索効率と回答品質を改善した。
原題: Prune-Then-Plan: Step-Level Calibration for Stable Frontier Exploration in Embodied Question Answering / Noah Frahm, Prakrut Patel, Yue Zhang 他
日本語で読む → - 論文VLAロボティクス
SENTINEL: ヒューマノイド全身制御のための完全エンドツーエンド言語行動モデル
言語指示と固有感覚入力から低レベル行動を直接生成するエンドツーエンドモデルを構築し、シミュレーションと実機でヒューマノイドの全身制御を実現した。
原題: SENTINEL: A Fully End-to-End Language-Action Model for Humanoid Whole Body Control / Yuxuan Wang, Haobin Jiang, Shiqing Yao 他
日本語で読む → - 論文自動運転/VLAロボティクス
Alpamayo-R1: 長尾シナリオにおける汎化可能な自動運転のための推論と行動予測の橋渡し
視覚言語行動モデルに因果連鎖推論を組み込み、拡散ベースの軌道デコーダと強化学習を組み合わせることで、長尾の安全臨界シナリオでの自動運転計画精度と推論品質を向上させた研究。
原題: Alpamayo-R1: Bridging Reasoning and Action Prediction for Generalizable Autonomous Driving in the Long Tail / NVIDIA, :, Yan Wang 他
日本語で読む → - 論文VLAロボティクス
DIPOLE: 視覚と幾何を融合したロバストな視覚運動汎化
視覚と言語・幾何の相補的なモダリティを訓練時のドロップアウトとクロスアテンションで融合し、照明や視点変化に強い拡散ポリシーを実現した。
原題: DIPOLE: Fusing Vision and Geometry for Robust Visuomotor Generalization / Yikai Tang, Haoran Geng, Jindou Jia 他
日本語で読む → - 論文VLA機械学習
Pelican-VL 1.0:身体知能のための基盤ブレインモデル
7B〜72Bパラメータのオープンソース身体知能向けマルチモーダル基盤モデルを開発し、大規模データと新学習機構DPPOにより既存モデルを上回る性能を達成した。
原題: Pelican-VL 1.0: A Foundation Brain Model for Embodied Intelligence / Yi Zhang, Che Liu, Xiancong Ren 他
日本語で読む → - 論文VLAロボティクス
ロボットマニピュレーション向けVision-Language-Actionモデルのベンチマーク経験
4つの代表的なVLAモデル(ACT、OpenVLA-OFT、RDT-1B、π0)をシミュレーションと実機ALOHA Mobileで4タスクにわたり標準化評価し、精度・適応性・指示追従性の観点から比較した実践的知見を報告する。
原題: Experiences from Benchmarking Vision-Language-Action Models for Robotic Manipulation / Yihao Zhang, Yuankai Qi, Xi Zheng
日本語で読む → - 論文VLAロボティクス
拡散ポリシーと結合した力学系の閉ループ安定性に関する理論的限界
拡散ポリシーのノイズ除去を途中で打ち切って行動を実行し、プラントの力学と並行して進める場合の閉ループ安定性の理論限界を導出した研究。
原題: Theoretical Closed-loop Stability Bounds for Dynamical System Coupled with Diffusion Policies / Gabriel Lauzier, Alexandre Girard, François Ferland
日本語で読む → - 論文VLAロボティクス
WMPO:世界モデルに基づく視覚-言語-行動モデルの方策最適化
実環境と相互作用せずにピクセルベースの世界モデル上でVLAモデルを強化学習し、自己修正などの創発行動やサンプル効率の向上を実現した。
原題: WMPO: World Model-based Policy Optimization for Vision-Language-Action Models / Fangqi Zhu, Zhengyang Yan, Zicong Hong 他
日本語で読む → - 論文VLAロボティクス
視覚-言語-行動モデルの未来を導く10の未解決課題
VLAモデルの発展における10の主要マイルストーンと新たな研究動向を議論し、今後の研究方向に注目を促す論文。
原題: 10 Open Challenges Steering the Future of Vision-Language-Action Models / Soujanya Poria, Navonil Majumder, Chia-Yu Hung 他
日本語で読む → - 論文VLAロボティクス
GraSP-VLA:VLAポリシーによる長期計画のためのグラフベース記号行動表現
連続シーングラフから記号的な計画ドメインを生成し、VLAポリシーを統括することで長期タスクを実現するニューロシンボリック手法を提案。
原題: GraSP-VLA: Graph-based Symbolic Action Representation for Long-Horizon Planning with VLA Policies / Maëlic Neau, Zoe Falomir, Paulo E. Santos 他
日本語で読む →
PR・アフィリエイト広告
