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
Compressor-VLA: 指示に基づく視覚トークン圧縮による効率的なロボットマニピュレーション
言語指示に応じて視覚トークンを動的に圧縮する2段階の手法を提案し、VLAモデルの計算量を削減しつつLIBEROベンチマークで高い成功率と実機転移を実現した。
原題: Compressor-VLA: Instruction-Guided Visual Token Compression for Efficient Robotic Manipulation / Juntao Gao, Feiyang Ye, Jing Zhang 他
日本語で読む → - 論文VLAロボティクス
見て、ズームして、理解する:身体性知覚のためのロボット眼球
言語指示に基づきPTZカメラのパン・チルト・ズームを調整して最適な視野を得るVLAモデルEyeVLAを提案し、500サンプルで実世界適応を実現した。
原題: Look, Zoom, Understand: The Robotic Eyeball for Embodied Perception / Jiashu Yang, Yifan Han, Yucheng Xie 他
日本語で読む → - 論文VLAロボティクス
AsyncVLA:視覚言語行動モデルのための非同期フローマッチング
VLAモデルの行動生成に非同期フローマッチングを導入し、行動の信頼度に基づく自己修正を可能にすることで、長期的タスクでの安定性とデータ効率を向上させた。
原題: AsyncVLA: Asynchronous Flow Matching for Vision-Language-Action Models / Yuhua Jiang, Shuang Cheng, Yan Ding 他
日本語で読む → - 論文VLA機械学習
π*0.6:経験から学ぶVLA
実世界での経験と人間の修正を活用した強化学習手法RECAPにより、洗濯物畳みや箱組み立て、エスプレッソ抽出などのタスクを高成功率で実行できる汎用VLAモデルπ*0.6を開発した。
原題: $\pi^{*}_{0.6}$: a VLA That Learns From Experience / Physical Intelligence, Ali Amin, Raichelle Aniceto 他
日本語で読む → - 論文VLAロボティクス
少数デモンストレーションによる視覚-言語-行動モデルのメカニズム的解釈に基づくファインチューニング
少数の実演からタスク固有のアテンションヘッドを特定し選択的にファインチューニングするRobotic Steeringを提案し、LoRAを上回る性能とロバスト性、計算コスト削減、解釈性向上を実機で示した。
原題: Mechanistic Finetuning of Vision-Language-Action Models via Few-Shot Demonstrations / Chancharik Mitra, Yusen Luo, Raj Saravanan 他
日本語で読む → - 論文VLAロボティクス
発見・学習・強化:多様なRL生成軌道による視覚-言語-行動事前学習のスケーリング
強化学習で多様な行動パターンを発見し、VLAモデルの事前学習用データを自動生成するフレームワークDLRを提案。標準RLより多様で高成功率の軌道を生成し、下流タスク性能とデータスケーリングを改善する。
原題: Discover, Learn, and Reinforce: Scaling Vision-Language-Action Pretraining with Diverse RL-Generated Trajectories / Rushuai Yang, Zhiyuan Feng, Tianxiang Zhang 他
日本語で読む → - 論文VLAロボティクス
観測外乱に耐える協調合流のためのフォールトトレラントMARL
高速道路の合流シーンで、観測ノイズに強い協調運転を実現するため、敵対的故障注入と自己診断機能を備えたマルチエージェント強化学習手法を提案した。
原題: Fault-Tolerant MARL for CAVs under Observation Perturbations for Highway On-Ramp Merging / Yuchen Shi, Huaxin Pei, Yi Zhang 他
日本語で読む → - 論文VLAロボティクス
VLAはVLMからいかに効果的に継承するのか?
絵文字を使った卓上操作タスクでVLAがVLMの事前知識を継承する条件を診断し、パラメータ効率微調整やVLM凍結などの手法を比較した。
原題: How Do VLAs Effectively Inherit from VLMs? / Chuheng Zhang, Rushuai Yang, Xiaoyu Chen 他
日本語で読む → - 論文VLAロボティクス
自由形式の言語でヒューマノイドを操作する:統一動作語彙を持つ大規模言語行動モデル
自然言語コマンドをヒューマノイドの全身動作に直接変換する大規模言語行動モデルHumanoid-LLAを提案し、人間とヒューマノイドの動作語彙を統合して物理的安定性を確保した。
原題: Commanding Humanoid by Free-form Language: A Large Language Action Model with Unified Motion Vocabulary / Zhirui Liu, Kaiyang Ji, Ke Yang 他
日本語で読む → - 論文VLAロボティクス
EchoVLA: 宣言的記憶を統合した移動マニピュレーション向け視覚-言語-行動モデル
人間の脳に着想を得たシーン記憶とエピソード記憶を組み合わせ、移動と操作を協調させるメモリ対応VLAモデルを提案し、大規模学習用ベンチマークMoManiも構築した。
原題: EchoVLA: Robotic Vision-Language-Action Model with Synergistic Declarative Memory for Mobile Manipulation / Min Lin, Xiwen Liang, Bingqian Lin 他
日本語で読む → - 論文VLAロボティクス
TRACE: アフォーダンス座標抽出のためのテキスト推論
視覚言語モデルにテキスト形式の推論連鎖を組み込み、指示からロボット操作に必要な空間アフォーダンス座標を高精度に予測する手法を提案。
原題: TRACE: Textual Reasoning for Affordance Coordinate Extraction / Sangyun Park, Jin Kim, Yuchen Cui 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
LAVQA: 自動運転車の共有自律のための遅延認識型視覚質問応答フレームワーク
無線遅延と人間の応答時間を考慮した衝突リスクマップを視覚質問応答に組み込み、遠隔操作者が安全に自動運転車を支援できる枠組みを提案し、CARLAシミュレーションで衝突率を8倍以上削減した。
原題: LAVQA: A Latency-Aware Visual Question Answering Framework for Shared Autonomy in Self-Driving Vehicles / Shuangyu Xie, Kaiyuan Chen, Wenjing Chen 他
日本語で読む → - 論文VLAAI
QuickLAP: 半自律エージェントのための高速言語-行動選好学習
物理的な修正と言語によるフィードバックをベイズ的に統合し、LLMを用いて報酬関数をリアルタイムに学習する手法を提案。半自律運転シミュレータで報酬学習誤差を70%以上削減し、ユーザスタディでも高い理解度と協調性が示された。
原題: QuickLAP: Quick Language-Action Preference Learning for Semi-Autonomous Agents / Jordan Abi Nader, David Lee, Nathaniel Dennler 他
日本語で読む → - 論文VLA画像認識
iFlyBot-VLA 技術報告
人間とロボットの大規模操作動画で学習した潜在行動モデルと、二段階の行動表現でVLMと行動エキスパートを同時に訓練する新しいVLAフレームワークを提案し、LIBEROベンチマークと実機で有効性を示した。
原題: iFlyBot-VLA Technical Report / Yuan Zhang, Chenyu Xue, Wenjie Xu 他
日本語で読む → - 論文VLA画像認識
SO-Bench:マルチモーダルLLMの構造化出力評価ベンチマーク
UI画面・自然画像・文書・グラフの4領域で、画像からJSONスキーマに沿った構造化出力を生成する能力を評価するベンチマークSO-Benchを構築し、既存モデルの課題を明らかにした。
原題: SO-Bench: A Structural Output Evaluation of Multimodal LLMs / Di Feng, Kaixin Ma, Feng Nan 他
日本語で読む → - 論文VLA機械学習
行動クローニング方策に対するデータセット汚染攻撃
行動クローニングの方策がクリーンラベルバックドア攻撃に脆弱であることを初めて示し、汚染率やトリガー強度による影響と、エントロピーに基づく新たなテスト時トリガー攻撃を提案した。
原題: Dataset Poisoning Attacks on Behavioral Cloning Policies / Akansha Kalra, Soumil Datta, Ethan Gilmore 他
日本語で読む → - 論文VLAロボティクス
注意的特徴集約:ロバスト性を気にせずタスク関連の視覚手がかりに注目する方策
事前学習済み視覚表現を用いた視覚運動方策において、タスク無関係な情報を無視する軽量な注意的特徴集約機構を提案し、視覚的摂動に対するロバスト性を向上させた。
原題: Attentive Feature Aggregation or: How Policies Learn to Stop Worrying about Robustness and Attend to Task-Relevant Visual Cues / Nikolaos Tsagkas, Andreas Sochopoulos, Duolikun Danier 他
日本語で読む → - 論文VLA機械学習
π_RL: フローベース視覚言語行動モデルのオンライン強化学習ファインチューニング
フローマッチングに基づく大規模VLAモデルに強化学習を適用するため、Flow-NoiseとFlow-SDEの2手法を提案し、分布内外で性能を向上させた。
原題: $π_\texttt{RL}$: Online RL Fine-tuning for Flow-based Vision-Language-Action Models / Kang Chen, Zhihao Liu, Tonghe Zhang 他
日本語で読む → - 論文VLA機械学習
大規模マルチモーダルモデルによるタスク指向自律通信:設計手法と実装課題
LLM/LMMを活用したタスク指向自律通信の概要を示し、交通制御・ロボットスケジューリング・環境認識チャネル推定の3事例で従来手法を上回る性能を実証した。
原題: Large Multimodal Models-Empowered Task-Oriented Autonomous Communications: Design Methodology and Implementation Challenges / Hyun Jong Yang, Hyunsoo Kim, Hyeonho Noh 他
日本語で読む → - 論文VLA機械学習
自己対戦ファインチューニングによるエージェントRLのための世界モデル内在化
LLMエージェントに状態表現と遷移モデルからなる内部世界モデルを自己対戦SFTで学習させ、方策最適化前に未来状態をシミュレートすることでOOD環境でのRL性能を大幅に向上させる手法SPAを提案。
原題: Internalizing World Models via Self-Play Finetuning for Agentic RL / Shiqi Chen, Tongyao Zhu, Zian Wang 他
日本語で読む → - 論文VLA画像認識
Vision-Language-Actionモデルに対するモデル非依存の敵対的攻撃と防御
VLAモデルにカメラ視野内に置ける敵対的パッチを生成するモデル非依存攻撃EDPAを提案し、視覚エンコーダの敵対的ファインチューニングによる防御法も示した。
原題: Model-agnostic Adversarial Attack and Defense for Vision-Language-Action Models / Haochuan Xu, Yun Sing Koh, Shuhuai Huang 他
日本語で読む → - 論文VLAcs.CR
物理オブジェクトをトリガとする目標指向バックドア攻撃:VLAモデルに対する新たな脅威
訓練データに物理オブジェクトをトリガとして混入させるだけで、VLAモデルに特定の目標行動を実行させるバックドア攻撃GoBAを提案し、BadLIBEROベンチマークで97%の成功率を示した。
原題: Goal-oriented Backdoor Attack against Vision-Language-Action Models via Physical Objects / Zirun Zhou, Zhengyang Xiao, Haochuan Xu 他
日本語で読む → - 論文VLAロボティクス
TIGeR: ロボティクス向け視覚言語モデルにおけるツール統合幾何推論
視覚言語モデルに外部ツールで正確な幾何計算を生成・実行させる枠組みを提案し、ロボット操作に必要なセンチメートル精度を実現した。
原題: TIGeR: Tool-Integrated Geometric Reasoning in Vision-Language Models for Robotics / Yi Han, Enshen Zhou, Shanyu Rong 他
日本語で読む → - 論文VLAロボティクス
Spatial Forcing:視覚-言語-行動モデルのための暗黙的な空間表現アラインメント
3D入力や深度推定器に頼らず、VLAモデルの中間視覚埋め込みを事前学習済み3D基盤モデルの幾何表現に揃えることで、空間理解を暗黙的に獲得させ、行動精度と学習効率を向上させる手法を提案。
原題: Spatial Forcing: Implicit Spatial Representation Alignment for Vision-language-action Model / Fuhao Li, Wenxuan Song, Han Zhao 他
日本語で読む → - 論文VLA画像認識
効率的な視覚-言語-行動モデルのサーベイ
視覚-言語-行動モデル(VLA)の効率化に関する初の包括的サーベイであり、モデル設計・学習・データ収集の3つの柱で既存研究を整理し、課題と今後の方向性を示す。
原題: A Survey on Efficient Vision-Language-Action Models / Zhaoshu Yu, Bo Wang, Pengpeng Zeng 他
日本語で読む → - 論文VLAロボティクス
RoVer: 視覚-言語-行動モデルのためのテスト時検証器としてのロボット報酬モデル
VLAモデルの推論時にロボット過程報酬モデルを検証器として使い、候補行動を生成・評価・選択することで、追加学習なしに性能を向上させるフレームワークを提案。
原題: RoVer: Robot Reward Model as Test-Time Verifier for Vision-Language-Action Model / Mingtong Dai, Lingbo Liu, Yongjie Bai 他
日本語で読む → - 論文VLAロボティクス
SUM-AgriVLN: 農業用視覚言語ナビゲーションのための空間理解メモリ
農業ロボットの視覚言語ナビゲーションにおいて、過去の空間メモリを活用するSUMモジュールを提案し、繰り返し指示への対応精度を向上させた。
原題: SUM-AgriVLN: Spatial Understanding Memory for Agricultural Vision-and-Language Navigation / Xiaobei Zhao, Xingqi Lyu, Xin Chen 他
日本語で読む → - 論文VLAロボティクス
RobotArena ∞: 実機からシミュレーションへの変換によるスケーラブルなロボットベンチマーク
実機の動画デモを生成モデルでシミュレーション環境に自動変換し、VLAポリシーを大規模かつ再現可能に評価するベンチマークフレームワークを提案。
原題: RobotArena $\infty$: Scalable Robot Benchmarking via Real-to-Sim Translation / Yash Jangir, Yidi Zhang, Pang-Chi Lo 他
日本語で読む → - 論文VLAロボティクス
MatterDoor: 生成モデルによるゼロショット時空間意味論的事前分布のサンプリング
事前学習済み生成視覚モデルを用いて、ドア越しに隠れた部屋の3D点群仮説を生成し、ロボットのナビゲーションや目標指向行動のための時空間意味論的事前分布をゼロショットで導出する手法を提案。
原題: MatterDoor: Sampling Zero-shot Spatio-semantic Priors using Generative Models / Subhransu S. Bhattacharjee, Hao Lu, Dylan Campbell 他
日本語で読む →
PR・アフィリエイト広告
