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ロボティクス
NORA-1.5:世界モデルと行動に基づく選好報酬で訓練された視覚-言語-行動モデル
事前学習済みNORAにフローマッチング行動エキスパートを追加し、世界モデルと正解からの逸脱を報酬とするDPOで事後学習することで、シミュレーションと実機の両方で信頼性と汎化性能を向上させたVLAモデル。
原題: NORA-1.5: A Vision-Language-Action Model Trained using World Model- and Action-based Preference Rewards / Chia-Yu Hung, Navonil Majumder, Haoyuan Deng 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 → - 論文VLA画像認識
残差強化学習によるデータ生成で自己改善する視覚言語行動モデル
VLAモデルの失敗領域を残差RLで探索し、展開分布に沿った軌道を収集・蒸留することで、追加の人間デモなしに性能を自己改善させるフレームワークPLDを提案。
原題: Self-Improving Vision-Language-Action Models with Data Generation via Residual RL / Wenli Xiao, Haotian Lin, Andy Peng 他
日本語で読む → - 論文VLAロボティクス
Maestro:視覚言語モデルでロボティクスモジュールを統合するゼロショット汎用ロボット
VLMコーディングエージェントが知覚・計画・制御モジュールを動的に組み合わせてプログラム的政策を生成し、ゼロショットで汎用ロボットを実現する手法を提案。
原題: Maestro: Orchestrating Robotics Modules with Vision-Language Models for Zero-Shot Generalist Robots / Junyao Shi, Rujia Yang, Kaitian Chao 他
日本語で読む → - 論文自動運転/VLA画像認識
VLMからのリスク意味蒸留によるエンドツーエンド自動運転の強化
VLMが持つリスク推論をBEV特徴量に蒸留するRiskHeadを提案し、エンドツーエンド自動運転モデルの汎化性能とリスク対象への注意を向上させた研究。
原題: Enhancing End-to-End Autonomous Driving with Risk Semantic Distillaion from VLM / Jack Qin, Zhitao Wang, Yinan Zheng 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
SVBRD-LLM: 自動運転車識別のための自己検証型行動ルール発見フレームワーク
交通動画からLLMのゼロショット推論で自動運転車と人間運転車の行動差を表す解釈可能なルールを自動抽出し、識別タスクで検証・洗練するフレームワークを提案。
原題: SVBRD-LLM: Self-Verifying Behavioral Rule Discovery for Autonomous Vehicle Identification / Xiangyu Li, Tianyi Wang, Junfeng Jiao 他
日本語で読む → - 論文VLAロボティクス
SIL: 言語条件付き人間-エージェント共適応のための共生インタラクティブ学習
人間とエージェントが共有潜在タスク空間で双方向に信念を更新し合い、能動的な確認や提案を行う共生インタラクティブ学習フレームワークを提案。実世界・シミュレーションタスクで90.4%の完了率を達成。
原題: SIL: Symbiotic Interactive Learning for Language-Conditioned Human-Agent Co-Adaptation / Linus Nwankwo, Bjoern Ellensohn, Christian Rauch 他
日本語で読む → - 論文VLAロボティクス
自動運転における視覚言語モデルの幻覚を低ランク分解で軽減する手法
複数の視覚言語モデルが生成したキャプションを、文埋め込み行列の低ランク分解で得られるスパース残差の大きさでランク付けし、幻覚の少ないキャプションを選別する手法を提案。
原題: A Low-Rank Method for Vision Language Model Hallucination Mitigation in Autonomous Driving / Keke Long, Jiacheng Guo, Tianyun Zhang 他
日本語で読む → - 論文VLAロボティクス
予言による行動方策の強化学習
ロボット世界モデル「Prophet」を大規模データで事前学習し、新環境へ少数適応させてシミュレータとし、FlowScaleでVLA方策を強化学習する手法を提案。
原題: Reinforcing Action Policies by Prophesying / Jiahui Zhang, Ze Huang, Chun Gu 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VLA機械学習
AVA-VLA: 能動的視覚注意による視覚言語行動モデルの改善
VLAモデルを部分観測マルコフ決定過程として再定式化し、履歴を反映した再帰状態と能動的視覚注意で行動生成を改善する手法を提案。LIBEROやCALVINで最高性能を達成し、実機双腕タスクにも転移。
原題: AVA-VLA: Improving Vision-Language-Action models with Active Visual Attention / Lei Xiao, Jifeng Li, Juntao Gao 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
Audio-VLA: 接触音知覚を視覚-言語-行動モデルに統合したロボットマニピュレーション
接触音を入力に加えたマルチモーダルVLAモデルを提案し、視覚のみの制約を克服。シミュレーションに衝突音生成を追加し、動的プロセス評価指標TCRを導入して実験的に有効性を示した。
原題: Audio-VLA: Adding Contact Audio Perception to Vision-Language-Action Model for Robotic Manipulation / Xiangyi Wei, Haotian Zhang, Xinyi Cao 他
日本語で読む → - 論文VLA画像認識
マルチモーダル基盤モデルによる空間知能のスケーリング
800万件の多様な空間データでマルチモーダル基盤モデルを訓練し、空間知能ベンチマークで大幅な性能向上を達成するとともに、データスケーリングや創発的汎化の兆候を分析した。
原題: Scaling Spatial Intelligence with Multimodal Foundation Models / Zhongang Cai, Ruisi Wang, Chenyang Gu 他
日本語で読む → - 論文VLAロボティクス
観測前のリスクを見抜く:視覚言語モデルによる自動運転の潜在的リスク推論
自動運転における「まだ観測されていない潜在的リスク」を推論するための視覚言語データセットPotentialRiskQAと、それに基づく推論フレームワークPR-Reasonerを提案した。
原題: Seeing before Observable: Potential Risk Reasoning in Autonomous Driving via Vision Language Models / Jiaxin Liu, Xiangyu Yan, Liang Peng 他
日本語で読む → - 論文VLAロボティクス
AerialMind:UAVシナリオにおける参照マルチオブジェクト追跡に向けて
UAV(ドローン)映像で自然言語指示に基づくマルチオブジェクト追跡を行うための大規模ベンチマークAerialMindと、半自動ラベリング手法COALA、追跡手法HawkEyeTrackを提案した論文。
原題: AerialMind: Towards Referring Multi-Object Tracking in UAV Scenarios / Chenglizhao Chen, Shaofeng Liang, Runwei Guan 他
日本語で読む → - 論文VLA画像認識
BOP-ASK:視覚言語モデルのための物体インタラクション推論
6D物体姿勢データを活用し、把持姿勢や経路計画などの細かい空間推論を問う15万枚・3300万QAペアの大規模データセットBOP-ASKを構築し、VLMの物体インタラクション理解を評価・訓練する。
原題: BOP-ASK: Object-Interaction Reasoning for Vision-Language Models / Vineet Bhat, Sungsu Kim, Valts Blukis 他
日本語で読む → - 論文VLAロボティクス
SRPO: VLAモデルのための自己参照方策最適化
VLAモデルの強化学習において、成功軌道を自己参照として失敗軌道に進捗報酬を付与し、報酬の疎さを解消する手法を提案。LIBEROで99.2%の成功率を達成。
原題: SRPO: Self-Referential Policy Optimization for Vision-Language-Action Models / Senyu Fei, Siyin Wang, Li Ji 他
日本語で読む → - 論文VLAロボティクス
OpenVLN: オープンワールド空中視覚言語ナビゲーション
限られたデータでUAVの言語誘導飛行を実現するため、強化学習でVLMを微調整し、長期的軌道計画を可能にするフレームワークを提案。
原題: OpenVLN: Open-world Aerial Vision-Language Navigation / Peican Lin, Gan Sun, Chenxi Liu 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ロボティクス
Lite VLA:CPU制約のあるエッジロボット上での効率的な視覚-言語-行動制御
小型VLMをオンボードで動かし、クラウドに頼らず移動しながらリアルタイムにシーン理解と推論を行うエッジロボット向けフレームワークを実証した。
原題: Lite VLA: Efficient Vision-Language-Action Control on CPU-Bound Edge Robots / Justin Williams, Kishor Datta Gupta, Roy George 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における記憶状態の進展を再考する:オブジェクト中心の視点
視覚的に類似した物体との連続的な相互作用を要する非マルコフ的タスクにおいて、物体ごとの履歴を保持するスロット中心のVLAフレームワークを提案し、LIBERO-Memベンチマークで評価した。
原題: Rethinking Progression of Memory State in Robotic Manipulation: An Object-Centric Perspective / Nhat Chung, Taisei Hanyu, Toan Nguyen 他
日本語で読む → - 論文VLAロボティクス
長文脈Q-FormerとマルチモーダルLLMを統合したロボット確認生成と行動計画
動画の長文脈情報を活用するQ-FormerとマルチモーダルLLMを組み合わせ、人間との対話に基づくロボットの行動確認と行動計画の精度を向上させた研究。
原題: Robot Confirmation Generation and Action Planning Using Long-context Q-Former Integrated with Multimodal LLM / Chiori Hori, Yoshiki Masuyama, Siddarth Jain 他
日本語で読む → - 論文VLAロボティクス
分離型アクションエキスパート:タスク知識を条件付け経路に閉じ込める
拡散ポリシーの行動生成バックボーンはタスク非依存にできることを示し、条件付け経路のみを学習させる分離型学習法を提案。244MのU-Netを5MのMLPに置き換えても同等以上の性能を達成した。
原題: Decoupled Action Expert: Confining Task Knowledge to the Conditioning Pathway / Jian Zhou, Sihao Lin, Shuai Fu 他
日本語で読む → - 論文VLAロボティクス
FT-NCFM:効率的なVLAモデルのための影響力考慮型データ蒸留フレームワーク
VLAモデルの学習データを因果帰属と敵対的生成で蒸留し、5%のデータで85-90%の成功率を達成しつつ学習時間を80%以上削減するデータ中心の手法を提案。
原題: FT-NCFM: An Influence-Aware Data Distillation Framework for Efficient VLA Models / Kewei Chen, Yayu Long, Shuai Li 他
日本語で読む → - 論文VLAロボティクス
人間参加型選好アライメントによる展開可能な視覚駆動UAV河川航行
人間が介入して選好を提供するHITL学習手法SPAR-Hを提案し、視覚駆動UAVの河川追従をシミュレーションと実機で実現した。
原題: Deployable Vision-driven UAV River Navigation via Human-in-the-loop Preference Alignment / Zihan Wang, Jianwen Li, Li-Fan Wu 他
日本語で読む → - 論文VLAロボティクス
EveryDayVLA: 低コストロボット操作のための視覚-言語-行動モデル
300ドル以下で組み立て可能な6自由度マニピュレータと、離散・連続行動を統合出力し不確実性に応じて再計画するVLAモデルを提案し、実環境で従来手法を大きく上回る成功率を達成した。
原題: EveryDayVLA: A Vision-Language-Action Model for Affordable Robotic Manipulation / Samarth Chopra, Alex McMoil, Ben Carnovale 他
日本語で読む → - 論文VLAロボティクス
Skypilot: 物理的接地を取り入れたLLM微調整によるAAVカバレッジ探索
モンテカルロ木探索と物理に基づく報酬を組み合わせてLLMを物理世界に接地させ、Qwen3-4Bを微調整することで、自律飛行体のカバレッジ探索を効率化した二段階フレームワーク。
原題: Skypilot: Fine-Tuning LLM with Physical Grounding for AAV Coverage Search / Zhongkai Chen, Yihao Sun, Chao Yan 他
日本語で読む →
PR・アフィリエイト広告
