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: 2025/10/1 / 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
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
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 → - 論文VLAAI
聴き・見・話し・行動する統合モデルELLSA
視覚・テキスト・音声・行動を単一アーキテクチャで同時に知覚・生成する全二重エンドツーエンドモデルを提案し、対話と行動の割り込みや発話しながらの行動などを実現した。
原題: End-to-end Listen, Look, Speak and Act / Siyin Wang, Wenyi Yu, Xianzhao Chen 他
日本語で読む → - 論文VLA画像認識
VLA-R1:視覚-言語-行動モデルにおける推論能力の強化
検証可能な報酬による強化学習とGRPOを組み合わせ、アフォーダンスや軌道に沿った思考連鎖を学習させることで、VLAモデルの推論と実行精度を高めた研究。
原題: VLA-R1: Enhancing Reasoning in Vision-Language-Action Models / Angen Ye, Zeyu Zhang, Boyuan Wang 他
日本語で読む → - 論文VLAロボティクス
Dexbotic: オープンソース視覚-言語-行動ツールボックス
複数のVLAモデルを単一環境で再現・開発できるPyTorchベースのオープンソースツールボックスを提供し、高性能な事前学習済みモデルも公開した。
原題: Dexbotic: Open-Source Vision-Language-Action Toolbox / Bin Xie, Erjin Zhou, Fan Jia 他
日本語で読む → - 論文VLA画像認識
OmniSAT: コンパクトな行動トークンによる高速自己回帰VLA
行動をBスプライン符号化と多段残差量子化で圧縮トークン化し、自己回帰型VLAの系列長を6.8倍短縮して学習効率を高める手法を提案。
原題: OmniSAT: Compact Action Token, Faster Auto Regression / Huaihai Lyu, Chaofan Chen, Senwei Xie 他
日本語で読む → - 論文VLA画像認識
RobustVLA: マルチモーダル摂動に対する視覚-言語-行動モデルのロバスト性
VLAモデルの17種類の摂動に対するロバスト性を評価し、行動が最も脆弱であることを発見。出力と入力の両方に対するロバスト化手法を提案し、LIBEROで大幅な性能向上を達成。
原題: RobustVLA: On Robustness of Vision-Language-Action Model against Multi-Modal Perturbations / Jianing Guo, Zhenhong Wu, Chang Tu 他
日本語で読む → - 論文VLAロボティクス
LIBERO-Plus:視覚言語行動モデルの堅牢性に関する詳細分析
VLAモデルのロバスト性を7つの摂動次元で体系的に評価し、見かけの性能の裏に隠れた脆弱性を明らかにした。
原題: LIBERO-Plus: In-depth Robustness Analysis of Vision-Language-Action Models / Senyu Fei, Siyin Wang, Junhao Shi 他
日本語で読む → - 論文VLAロボティクス
言った通りに動け:実行時推論・行動整合性検証による視覚言語行動モデルの誘導
推論型VLAモデルが生成するテキスト計画と実際の行動の不一致を実行時に検証し、シミュレーションとVLMで計画に最も合致する行動を選ぶことで、再学習なしにOOD環境でのロバスト性と新規行動の合成を実現した。
原題: Do What You Say: Steering Vision-Language-Action Models via Runtime Reasoning-Action Alignment Verification / Yilin Wu, Anqi Li, Tucker Hermans 他
日本語で読む → - 論文VLAロボティクス
RoboChallenge:実機ロボットによる具現化ポリシーの大規模評価
多数のモデルとタスクを実機で評価するオンラインシステムRoboChallengeを構築し、初期ベンチマークTable30で最新VLAモデルを調査した。
原題: RoboChallenge: Large-scale Real-robot Evaluation of Embodied Policies / Adina Yakefu, Bin Xie, Chongyang Xu 他
日本語で読む → - 論文VLA画像認識
NavQ: 先見性を持つ視覚と言語によるナビゲーションのためのQモデル学習
大規模な未ラベル軌道データからQ学習でQモデルを訓練し、将来の情報を考慮した視覚と言語によるナビゲーションを実現する手法を提案。
原題: NavQ: Learning a Q-Model for Foresighted Vision-and-Language Navigation / Peiran Xu, Xicheng Gong, Yadong MU
日本語で読む → - 論文VLAロボティクス
行動偏差を考慮した低遅延ワイヤレスロボット推論
行動クローニングポリシーの推論を低遅延化するため、行動偏差に基づいてドラフトを選択的に送信・検証する手法を提案し、通信と計算のオーバーヘッドを削減しつつ精度を維持した。
原題: Action Deviation-Aware Inference for Low-Latency Wireless Robots / Jeyoung Park, Yeonsub Lim, Seungeun Oh 他
日本語で読む → - 論文VLAロボティクス
リンゴを持ってきて、ソファは要らない:VLAモデルにおける身体性AIコマンドの無関係な文脈の影響
VLAモデルが言い換えや無関係な文脈を含む指示に対してどれだけ頑健かを体系的に評価し、意味的・語彙的に類似した文脈で性能が約50%低下することを示した。LLMベースのフィルタリングで元の性能の最大98.5%を回復する手法を提案。
原題: Bring the Apple, Not the Sofa: Impact of Irrelevant Context in Embodied AI Commands on VLA Models / Daria Pugacheva, Andrey Moskalenko, Denis Shepelev 他
日本語で読む → - 論文VLA画像認識
VLMは意味的異常検知を解き放てるか?構造的推論のためのフレームワーク
VLMを用いた自動運転の意味的異常検知を、4つの意味領域に沿った階層的な整合性検証として再定式化するモデル非依存フレームワークSAVANTを提案し、再現率を約18.5%改善、さらに大規模自動ラベリングで7Bモデルを微調整し高精度を達成した。
原題: Can VLMs Unlock Semantic Anomaly Detection? A Framework for Structured Reasoning / Roberto Brusnicki, David Pop, Yuan Gao 他
日本語で読む → - 論文VLAロボティクス
はさみを持って走るな:VLAモデルは枝刈りで壊れるが回復可能
VLAモデルを枝刈りすると性能が大きく劣化し安全性違反も増えるが、重み空間で密モデルと枝刈りモデルを一度補間して補正項を計算する学習不要の手法GLUESTICKにより、効率を保ちつつ成功率を回復できることを示した。
原題: Don't Run with Scissors: Pruning Breaks VLA Models but They Can Be Recovered / Jason Jabbour, Dong-Ki Kim, Max Smith 他
日本語で読む → - 論文VLAロボティクス
Vision-Language-Actionモデルのためのハイブリッド訓練
思考連鎖(CoT)を学習しつつ推論時には省略可能にするハイブリッド訓練(HyT)を提案し、ロボット操作の性能を保ちながら推論速度を改善した。
原題: Hybrid Training for Vision-Language-Action Models / Pietro Mazzaglia, Cansu Sancaktar, Markus Peschl 他
日本語で読む → - 論文自動運転VLAロボティクス
DiffVLA++:メトリック誘導アラインメントによる認知推論とエンドツーエンド運転の橋渡し
VLAモデルの認知推論とE2Eモデルの物理的実現可能性を、メトリック誘導の軌道スコアラで統合した自動運転フレームワークを提案。
原題: DiffVLA++: Bridging Cognitive Reasoning and End-to-End Driving through Metric-Guided Alignment / Yu Gao, Anqing Jiang, Yiru Wang 他
日本語で読む → - 論文VLAロボティクス
身体性ギャップを越えて:ソフトロボットへの視覚-言語-行動モデルの展開
視覚-言語-行動(VLA)モデルをソフト連続マニピュレータに適用し、ファインチューニングにより剛体ロボットと同等の性能を達成して安全な人間-ロボット相互作用を実現した。
原題: Bridging Embodiment Gaps: Deploying Vision-Language-Action Models on Soft Robots / Haochen Su, Cristian Meo, Francesco Stella 他
日本語で読む → - 論文VLAロボティクス
次世代LLMによるUAV運用:自然言語から自律飛行へ
自然言語指示を解釈し、短・中・長距離のUAVミッションを計画・制御するNeLVシステムを提案し、複数UAVの巡回・配送などのユースケースで実現可能性を示した。
原題: Next-Generation LLM for UAV: From Natural Language to Autonomous Flight / Liangqi Yuan, Chuhao Deng, Dong-Jun Han 他
日本語で読む → - 論文VLAロボティクス
専門性は独占する必要なし:視覚-言語-行動学習のための行動特化型Mixture of Experts
事前学習済みVLAモデルの重みを継承し、フィードフォワード層をスパースなMoE層に置き換えて拡張するAdaMoEを提案。専門家選択と重み付けを分離することで協調的な専門家利用を実現し、計算効率を保ちつつ性能を向上させた。
原題: Expertise need not monopolize: Action-Specialized Mixture of Experts for Vision-Language-Action Learning / Weijie Shen, Yitian Liu, Yuhao Wu 他
日本語で読む → - 論文VLAロボティクス
USIMとU0:汎用水下ロボットのための視覚-言語-行動データセットとモデル
言語指示で動く汎用水下ロボット向けに、BlueROV2の約25時間分の模擬データセットUSIMと、空間認識を強化した視覚-言語-行動モデルU0を提案し、既存手法を上回る性能を示した。
原題: USIM and U0: A Vision-Language-Action Dataset and Model for General Underwater Robots / Junwen Gu, Zhiheng Wu, Pengxuan Si 他
日本語で読む → - 論文VLA画像認識
メタデータとタスク特化プロンプトによる堅牢な運転QA
自動運転の高次QAに向け、マルチモーダルLLMを6カメラ入力とシーン情報で条件付けし、自己一貫性とタスク別プロンプトで精度と堅牢性を向上させた。
原題: Robust Driving QA through Metadata-Grounded Context and Task-Specific Prompts / Seungjun Yu, Junsung Park, Youngsun Lim 他
日本語で読む → - 論文VLAAI
協調型身体性AIにおける協力の改善
LLMを活用した協調型身体性エージェントのフレームワークCoELAに対し、プロンプト手法や音声統合を検証し、協調性能を最大22%向上させた。
原題: Improving Cooperation in Collaborative Embodied AI / Hima Jacob Leven Suprabha, Laxmi Nag Laxminarayan Nagesh, Ajith Nair 他
日本語で読む → - 論文VLAロボティクス
RDD: 検索ベースのデモンストレーション分解による長期的タスクのプランナー整合
低レベル視覚運動ポリシーの訓練データと視覚特徴を整合させることで、長期的操作タスクのデモンストレーションを自動的にサブタスクに分解する検索ベース手法を提案し、シミュレーションと実世界で既存手法を上回る性能を示した。
原題: RDD: Retrieval-Based Demonstration Decomposer for Planner Alignment in Long-Horizon Tasks / Mingxuan Yan, Yuping Wang, Zechun Liu 他
日本語で読む → - 論文VLAロボティクス
SITCOM: VLAのための推論時計算スケーリング
事前学習済みVLAに学習済みダイナミクスモデルによる多段階ロールアウトと報酬ベースの軌道選択を組み合わせ、長期的な計画能力を強化するフレームワークを提案。SIMPLER環境でタスク完了率を48%から72%に改善した。
原題: SITCOM: Scaling Inference-Time COMpute for VLAs / Ayudh Saxena, Harsh Shah, Sandeep Routray 他
日本語で読む → - 論文VLA画像認識
QDepth-VLA:量子化深度予測を補助監督とする視覚-言語-行動モデル
VLAモデルにVQ-VAEで量子化した深度マップの潜在トークンを予測する補助タスクを追加し、空間推論能力とマニピュレーション性能を向上させた。
原題: QDepth-VLA: Quantized Depth Prediction as Auxiliary Supervision for Vision-Language-Action Models / Yixuan Li, Yuhui Chen, Mingcai Zhou 他
日本語で読む → - 論文VLA/LLMプランニングAI
不確実な環境下での意思決定のための情報探索フレームワークInfoSeeker
LLMを用いた意思決定において、内部モデルと実環境のずれを解消するため、行動前に情報を能動的に集める計画手法を提案し、部分観測環境の新ベンチマークで大幅な性能向上を示した。
原題: Information Seeking for Robust Decision Making under Partial Observability / Djengo Cyun-Jyun Fang, Tsung-Wei Ke
日本語で読む → - 論文VLAAI
RoboGPT-R1:強化学習によるロボットタスクプランニングの強化
視覚言語モデルを教師あり微調整と強化学習の2段階で訓練し、長期的な操作タスクの計画能力を高める手法を提案。小型モデルながら大規模モデルを上回る性能を達成。
原題: RoboGPT-R1: Enhancing Robot Task Planning with Reinforcement Learning / Jinrui Liu, Bingyan Nie, Boyu Li 他
日本語で読む → - 論文VLAAI
EmboMatrix: 身体性意思決定のためのスケーラブルな訓練基盤
大規模言語モデルに身体性意思決定能力を獲得させるため、タスク・シーン生成、分散シミュレーション、精密報酬を統合した訓練基盤EmboMatrixを構築し、7Bモデルが671Bモデルを上回る性能を達成した。
原題: EmboMatrix: A Scalable Training-Ground for Embodied Decision-Making / Zixing Lei, Sheng Yin, Yichen Xiong 他
日本語で読む → - 論文自動運転/VLAロボティクス
SimpleVSF: VLMスコアリング融合によるエンドツーエンド自動運転の軌道予測
Vision-Language Modelの認知能力と軌道融合技術を組み合わせ、複雑な状況での意思決定を改善するエンドツーエンド自動運転フレームワークを提案。ICCV 2025 NAVSIM v2チャレンジで最高性能を達成。
原題: SimpleVSF: VLM-Scoring Fusion for Trajectory Prediction of End-to-End Autonomous Driving / Peiru Zheng, Yun Zhao, Zhan Gong 他
日本語で読む →
PR・アフィリエイト広告
