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: 2026/10/11 / 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
ペルシア語視覚言語行動データセットと曖昧性・実行不能性を考慮した指示から計画へのグラウンディングベンチマーク
実環境の写真230枚に対する258件のペルシア語指示と参照計画を収録し、曖昧性・実行不能性ラベルや質問応答ペアを付与した初のデータセットを構築。検索拡張や連鎖的思考などの手法を比較評価する新指標PGOS-FAを提案した。
原題: A Persian Vision-Language-Action Dataset and Benchmark for Ambiguity- and Infeasibility-Aware Instruction-to-Plan Grounding / Abdollah Pourasghari, Saeedeh Sadat Sadidpour, Mohammad Roustaei
日本語で読む → - 論文ヒューマノイド制御ロボティクス
P-BFM: 教師なし強化学習による知覚型行動基盤モデルでヒューマノイドを制御
地形に依存しない意図と地形に応じた実現を分離し、地形情報なしで学習した行動基盤モデルにより、様々な地形で適応的なヒューマノイド制御を実現した研究。
原題: P-BFM: Perceptive Behavioral Foundation Models for Humanoid Control via Unsupervised Reinforcement Learning / Xue Wang, Yitang Li, Yiming Zhang 他
日本語で読む → - 論文3D再構成/視点選択画像認識
鮮明なフレームほど悪い部屋再構成:フィードフォワード3D再構成では視点被覆が画質を支配する
手持ち室内スキャンのフィードフォワード多視点再構成において、最も鮮明なフレームを選ぶと視点が偏り再構成誤差が増大することを示し、画質より視点の広がりが支配的であると明らかにした研究。
原題: Sharper Frames, Worse Rooms: Viewpoint Coverage Dominates Image Quality in Feed-Forward 3D Reconstruction / Alibek Dadajonov, Hikmatillo Umarhojiyev
日本語で読む → - 論文世界モデル機械学習
スペクトル整合による世界モデリング
観測間の関係を目標類似度カーネルで指定し、その幾何を埋め込み空間で再現するJEPAフレームワークSpecWMを提案。時間カーネルによるスペクトル整合がCEM計画の成功率を大幅に改善することを示した。
原題: World Modeling through Spectral Alignment / Holger Molin, William Peng, Marco Bagatella 他
日本語で読む → - 論文音楽生成cs.SD
記号音楽トランスフォーマーにおける和声表現は局所的かつ制御可能である
記号音楽トランスフォーマーが和声的文脈をどのように内部表現し、その表現を操作して生成を制御できるかを、バッハコラールで訓練されたAriaを用いて解析した。
原題: Harmonic Representations in Symbolic Music Transformers are Localized and Controllable / Adi Silberschein, Megan Wei, Tamar Rott Shaham
日本語で読む → - 論文VLAロボティクス
StreamingWAM: チャンク単位の階段状フローマッチングによるストリーミングワールドアクションモデリング
動画生成ワールドモデルを基盤とするロボット制御において、チャンク単位のノイズラダーとプレフィックスロールアウト、密な動画履歴メモリを組み合わせ、滑らかで低遅延なストリーミング拡散制御を実現した。
原題: StreamingWAM: Streaming World Action Modeling via Chunk-Wise Staircase Flow Matching / Shaojie Ren, Jingwen Sun, Zezhi Liu 他
日本語で読む → - 論文医療ロボティクスロボティクス
SurgiCLAW: 精密ロボット微細操作のための解釈可能な原子スキルエージェント
MLLMを術中理解とスキル選択に限定し、実行は決定論的制御に委ねる階層型フレームワークを提案。脳BMI電極挿入タスクでスキル選択精度94.6%、実機成功率88%を達成。
原題: SurgiCLAW: An Interpretable Atomic-Skill Agent for Precision Robotic Micromanipulation / Angen Ye, junjie xie, Yujia Song 他
日本語で読む → - 論文マニピュレーションロボティクス
Hand2Robot: 人間の実演からの物体中心4D手再構成によるロボット教示
人間の動画から物体形状と手の動きを再構成し、物体との接触を考慮してロボットの器用な操作ポリシーを事後学習するフレームワークを提案。
原題: Hand2Robot: Object-Centric 4D Hand Reconstruction from Human Demonstrations for Robotics / Zetao Du, Weiqing Wang, Hanbing Zhang 他
日本語で読む → - 論文マニピュレーションロボティクス
身体性マニピュレーションにおける組合せ汎化の限界を探る
VLAモデルは個別スキルを実行できても、未学習のスキル組合せでは失敗しやすいことを示し、その原因である「開始状態ギャップ」を特定。開始状態の多様性を広げる軽量な追加学習手法PRTIを提案した。
原題: Exploring the Limits of Combinatorial Generalization in Embodied Manipulation / Xupeng Zhang, Yantai Yang, Chang Guo 他
日本語で読む → - 論文歩行ロボティクス
歩行から走行への移行を含む二足歩行ロボットの障害物跨ぎのための幾何認識型予測制御
障害物の高さ・奥行きに応じて遊脚の持ち上げや歩幅を調整し、歩行から走行まで滑らかに移行しながら障害物を跨ぐ予測制御フレームワークを提案し、シミュレーションで検証した。
原題: Geometry-Aware Predictive Control for Walk-to-Run Bipedal Obstacle Crossing / Aashish Sahu, R. Prasanth Kumar
日本語で読む → - 論文VLA画像認識
1Step-WAM: 1ステップ行動生成による高速ワールドアクションモデル
ワールドアクションモデルの多段階行動ノイズ除去を1回の順伝播に圧縮し、視覚プリフィリングと並列実行することで推論を最大24.84倍高速化した手法。
原題: 1Step-WAM: Your World Action Model but Faster using 1-Step Action Generation / Rundong Su, Pengtao Chen, Haohan Geng 他
日本語で読む → - 論文ナビゲーションAI
ADAPT: 消灯工場ナビゲーションのための音響-深度行動計画と遷移認識型報酬
照明のない工場環境で、空間音響による目標定位と深度による障害物認識を用いたRGB不要のナビゲーションを実現するADAPTを提案し、遷移認識型報酬設計により未見環境でも高い成功率を示した。
原題: ADAPT: Audio-Depth Action Planning with Transition-Aware Rewards for Lights-Out Industrial Navigation / Wenjun Huang, Shenghao Fu, Yian Jin 他
日本語で読む → - 論文VLAロボティクス
CoLA: 学習済みアダプタによる複数VLAの協調
各エージェントのVLAを凍結し、軽量なメッセージチャネルと拡散行動ヘッドを学習させることで、情報が私的な場合にのみ明示的通信が有効となる分散協調手法を提案。
原題: CoLA: Multi-VLA Coordination via Learned Adapters / Ahaskar Kashyap, Jiawen Zong, Boyu Ma 他
日本語で読む → - 論文VLAcs.LO
Vision-Predictor-Action:神経記号的JEPA予測器による効率的な身体性AIに向けて
自己回帰的なLLMデコーダの代わりに軽量な潜在制御ループとJEPA予測器、フローマッチングを用いてロボットの行動チャンクを生成し、推論遅延を抑えつつLIBERO-10で初期検証した論文。
原題: Vision-Predictor-Action: Towards Efficient Embodied AI via Neuro-Symbolic JEPA Predictors / Yeonseok Lee
日本語で読む → - 論文教師なし適応画像認識
移動が学習を助ける:運動による物体認識のための教師なしモデル適応
移動するエージェントが同じ物体を異なる視点から観察したときの予測のばらつきを利用し、ラベルなしで物体認識モデルを新しい環境に適応させる手法を提案。
原題: Mobility Helps Learning: Unsupervised Model Adaptation for Object Recognition via Movement / Yanan Ma, Yihang Tao, Zhengru Fang 他
日本語で読む → - 論文経路計画ロボティクス
頭地経路を含む分散エリアカバレッジ経路計画
非凸領域や障害物を含むエリアを複数ロボットで完全にカバーするため、頭地経路を考慮した分散経路計画手法を提案し、ブーストロフェドン法との比較で有効性を示した。
原題: Distributed area coverage path planning subject to the inclusion of a headland path / Mogens Plessen
日本語で読む → - 論文車両制御ロボティクス
モデルベースのトレーラー揺れ抑制による自動運転乗用車の安定化
乗用車が牽引するトレーラーの揺れを、牽引車のみの計測から状態推定しLQR制御で抑制する手法を提案し、シミュレーションで有効性を示した。
原題: Model-Based Trailer-Sway Suppression for Autonomous Passenger Vehicles / Alec McFadyen, Pablo Covarrubias De La Torre, Connor McGovern
日本語で読む → - 論文VLAロボティクス
量子化条件付き強化学習による視覚言語行動ポリシーの低ビット故障回復
VLAポリシーの量子化で生じる性能低下を、進捗に基づくオフライン強化学習で回復させる手法QCRLを提案し、実機実験で有効性を示した。
原題: Recovering Low-Bit Failures in Vision-Language-Action Policies via Quantization-Conditioned Reinforcement Learning / Seongmin Park, Jaewon Lee, Yujun Heo 他
日本語で読む → - 論文VLA自然言語
PVFH-Bench: 視覚言語モデルにおける前提誘発性視覚固着幻覚のベンチマーク
視覚言語モデルが誤ったテキスト前提に引きずられ、存在しない物体を幻覚する新たな失敗モードを測定するベンチマークを提案し、10モデルで脆弱性を実証した。
原題: PVFH-Bench: Benchmarking Premise-Induced Visual Fixation Hallucinations in Vision-Language Models / Xinhao Wang, Junbo Cui, Zhenghao Liu 他
日本語で読む → - 論文拡散ポリシーロボティクス
CFG-Policy:Classifier-free Guidanceによる統合拡散ポリシー学習フレームワーク
拡散ポリシーの探索と活用を2つの生成ポリシーに分離し、classifier-free guidanceで統合するプラグアンドプレイ型RLフレームワークを提案。MuJoCoとRoboTwinで性能向上を実証。
原題: CFG-Policy: Unified Diffusion Policy Learning Framework via Classifier-free Guidance / Shutong Ding, Zhaoyang Liu, Yimiao Zhou 他
日本語で読む → - 論文VLAロボティクス
BridgeWAM: 潜在ブリッジクエリによる映像・行動エキスパートの橋渡し
映像と言語・固有感覚の情報を32個の潜在ブリッジクエリで共有空間に集約し、超軽量な行動ヘッドで高精度かつ高速なロボット操作を実現した手法。
原題: BridgeWAM: Bridging Video and Action Experts via Latent Bridge Queries / Jiaxin Fang, Ruitong Liu, Zeyu Lai 他
日本語で読む → - 論文モデルベースRLロボティクス
チャンク単位のモデルベース方策最適化
世界モデルと方策をチャンク単位で協調予測し、1回の順伝播でHステップの仮想ロールアウトを生成して価値展開を直接最適化するモデルベースRL手法を提案。
原題: Chunk-wise Model-based Policy Optimization / Weixi Song, Donglin Wang, Yong-Lu Li
日本語で読む → - 論文マルチモーダル対応画像認識
TartanMatch: モダリティを超えた普遍的密対応の実現
RGB・イベント・熱・深度・LiDARの25通りのモダリティペア間で密対応を取る単一モデルを提案し、ゼロショットベンチマークで大幅な精度向上を達成した。
原題: TartanMatch: Towards Universal Dense Correspondence Across Modalities / Hyeokjoon Kwon, Jiting Cai, Ruogu Li 他
日本語で読む → - 論文マニピュレーションロボティクス
DexCast: 人間の動画から実世界の巧みな操作を学習
単眼RGB-D動画から手と物体の相互作用を再構成し、テレオペレーションなしでロボットハンドの巧みな操作を拡散方策により学習するフレームワークを提案。
原題: DexCast: Learning Real-World Dexterous Control from Human Videos / Zihan Gao, Yuhong Zhang, Mengzhe Wang 他
日本語で読む → - 論文農業AI/バイアス評価画像認識
植物病害検出における背景バイアスの評価と軽減
EfficientNet-B0を用いた植物病害検出で、葉のみ・背景のみ画像による3条件評価を導入し、背景依存度を定量化して背景バイアスを評価・軽減する手法を提案した。
原題: Background Bias Assessment and Mitigation in Plant Disease Detection Using EfficientNet-B0 with Image Processing / Majed Molhi, Nishi Gupta, Ali Algumaei
日本語で読む → - 論文オドメトリ/センサフュージョンロボティクス
ToF-ホイールオドメトリ:限られたセンシング能力下での局所化の退化への対応
ホイールキネマティクスとToFカメラの幾何拘束を密結合したフィルタリング手法を提案し、幾何学的可観測性に基づく方向別共分散調整で退化環境でのロバストな自己位置推定を実現した。
原題: ToF-Wheel Odometry: Navigating Degeneration of Localization With Limited Sensing Capabilities / Xu Yang, Wenhao Li, Zhengyu Wei 他
日本語で読む → - 論文オフライン強化学習機械学習
効率的な拡散オフライン強化学習のための合成的平均速度モデリング
拡散ポリシーの反復サンプリングとBPTTを排除し、平均速度モデリングと合成的メカニズムで単一ステップ生成を実現するInsQLを提案。
原題: Compositional Average Velocity Modeling for Efficient Diffusion Offline Reinforcement Learning / Thanh Nguyen, Abu Hanif Muhammad Syarubany, Hwanhee Kim 他
日本語で読む → - 論文評価・ベンチマークロボティクス
AnyRank: 逐次検定による信頼性の高いいつでも可能なポリシーランキング
限られたハードウェア試行で複数のロボットポリシーをランク付けする際、逐次検定と多重仮説検定を組み合わせて誤ランキング確率を抑えつつ、必要な評価回数を最大50%削減する手法を提案。
原題: AnyRank: Reliable Anytime Policy Ranking via Sequential Testing / Apurva Badithela, David Snyder, Tenny Yin 他
日本語で読む → - 論文SLAMロボティクス
RootSLAM: 視覚慣性SLAMのための平方根バンドル調整
マルチカメラ視覚慣性SLAMにおいて、平方根バンドル調整をポーズグラフと組み合わせて単精度で実行可能にし、最大20倍高速化したシステムを提案。
原題: RootSLAM: Square Root Bundle Adjustment for Visual-Inertial SLAM / Tomás Santucci, Mateo de Mayo, Daniel Cremers 他
日本語で読む → - 論文マニピュレーションロボティクス
指揮官-実行者連携によるスケーラブルな複数人協調マニピュレーション
複数エージェントでの複雑な協調物体操作を実現するため、指揮官が役割分担と物体中心の協調計画を立案し、実行者が物理ベースの低レベル方策を学習する階層的フレームワークを提案。
原題: Scalable Multi-Human Cooperative Manipulation via Commander-Executor Coordination / Buzhen Huang, Xingchen Wu, Yuanwang Yang 他
日本語で読む →
PR・アフィリエイト広告
