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
ロボティクス向けVision-Language-Actionモデル:実世界応用に向けたレビュー
視覚・言語・行動を統合するVLAモデルについて、アーキテクチャや学習手法からロボットプラットフォーム、データセット、評価ベンチマークまでを網羅的に整理したサーベイ論文。
原題: Vision-Language-Action Models for Robotics: A Review Towards Real-World Applications / Kento Kawaharazuka, Jihoon Oh, Jun Yamada 他
日本語で読む → - 論文VLAロボティクス
IntentionVLA: 人間とロボットのインタラクションのための汎用かつ効率的な意図推論
意図推論・空間グラウンディング・簡潔な身体性推論を組み合わせたカリキュラム学習と効率的推論機構により、間接的な指示から人間の意図を推論して行動生成するVLAフレームワークを提案。
原題: IntentionVLA: Generalizable and Efficient Embodied Intention Reasoning for Human-Robot Interaction / Yandu Chen, Kefan Gu, Yuqing Wen 他
日本語で読む → - 論文VLAAI
信頼できるCode-as-Policiesに向けて:身体性タスク計画のためのニューロシンボリックフレームワーク
LLMによるコード生成型タスク計画に記号的検証と環境との対話的検証を組み込み、動的・部分観測環境でのタスク成功率と信頼性を向上させた。
原題: Towards Reliable Code-as-Policies: A Neuro-Symbolic Framework for Embodied Task Planning / Sanghyun Ahn, Wonje Choi, Junyong Lee 他
日本語で読む → - 論文VLAロボティクス
オラクル誘導マスク付き対照強化学習による視覚運動ポリシー
視覚運動ポリシー学習を表現学習とポリシー学習の2段階に分離し、マスク付きTransformerと対照学習で視覚表現を抽出、さらにオラクル教師の指導でサンプル効率と性能を向上させるフレームワークを提案。
原題: Oracle-Guided Masked Contrastive Reinforcement Learning for Visuomotor Policies / Yuhang Zhang, Jiaping Xiao, Chao Yan 他
日本語で読む → - 論文VLAロボティクス
多タスク介護ロボットのためのスケーラブルな予測処理フレームワーク
自由エネルギー原理に基づく階層型マルチモーダルRNNを用い、次元削減なしに視覚・固有感覚入力を統合して、介護タスク(体位変換とタオル拭き)をタスク特化の特徴設計なしに学習できることを示した。
原題: Scalable predictive processing framework for multitask caregiving robots / Hayato Idei, Tamon Miyake, Tetsuya Ogata 他
日本語で読む → - 論文VLAロボティクス
空間から行動へ:空間基盤事前分布に基づく視覚-言語-行動モデル
RGB画像から空間基盤モデルで3D幾何事前分布を抽出し、行動ヘッドに注入することで、追加センサーなしにVLAモデルの空間推論能力を高めるFALCONを提案。
原題: From Spatial to Actions: Grounding Vision-Language-Action Model in Spatial Foundation Priors / Zhengshen Zhang, Hao Li, Yalun Dai 他
日本語で読む → - 論文VLAAI
Memo: 強化学習による記憶効率の良い身体性エージェントの訓練
Transformerベースの強化学習において、定期的な要約トークンを入力に挟み込むことで記憶の生成と検索を行い、長期的なタスクを効率的に学習する手法を提案。
原題: Memo: Training Memory-Efficient Embodied Agents with Reinforcement Learning / Gunshi Gupta, Karmesh Yadav, Zsolt Kira 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機械学習
フローマッチング方策の強化学習ファインチューニングによる視覚言語行動モデルの改善
フローマッチングベースのVLAモデルに対し、重要度サンプリングを条件付きフローマッチング目的の変化で再定式化したFPOを提案し、オンライン強化学習による安定したファインチューニングを実現した。
原題: Reinforcement Fine-Tuning of Flow-Matching Policies for Vision-Language-Action Models / Mingyang Lyu, Yinqian Sun, Erliang Lin 他
日本語で読む → - 論文VLA画像認識
夢から想起へ:想像誘導型経験検索による記憶持続型視覚言語ナビゲーション
世界モデルが将来のナビゲーション状態を想像して検索クエリとし、視点に紐づけた観察と行動パターンの記憶から関連経験を選択的に引き出す記憶持続型VLN手法を提案。
原題: Dream to Recall: Imagination-Guided Experience Retrieval for Memory-Persistent Vision-and-Language Navigation / Yunzhe Xu, Yiyuan Pan, Zhe Liu
日本語で読む → - 論文VLAロボティクス
VLA-0: ゼロ改変で最先端のVLAを構築する
ロボット操作のための視覚-言語-行動モデルにおいて、行動をテキストとして直接表現する最も単純な戦略を検証し、複雑な手法を上回る性能を達成した。
原題: VLA-0: Building State-of-the-Art VLAs with Zero Modification / Ankit Goyal, Hugo Hadfield, Xuning Yang 他
日本語で読む → - 論文VLAロボティクス
RoboOmni: 全モーダル文脈における能動的ロボットマニピュレーション
音声対話・環境音・視覚情報からユーザ意図を能動的に推論し、確認と動作実行までを統合した全モーダルLLMフレームワークRoboOmniを提案し、大規模データセットOmniActionで訓練して実機・シミュレーションで有効性を示した。
原題: RoboOmni: Proactive Robot Manipulation in Omni-modal Context / Siyin Wang, Jinlan Fu, Feihong Liu 他
日本語で読む → - 論文VLAロボティクス
UrbanVLA:都市マイクロモビリティのための視覚-言語-行動モデル
都市環境での配達ロボットなどのナビゲーションに向け、経路指示と視覚情報を統合して行動を計画するVLAフレームワークを提案し、シミュレーションと実世界データで二段階学習することで大規模都市ナビゲーションを実現した。
原題: UrbanVLA: A Vision-Language-Action Model for Urban Micromobility / Anqi Li, Zhiyong Wang, Jiazhao Zhang 他
日本語で読む → - 論文VLAロボティクス
Avi: ボリュメトリック推論による行動生成
3D点群と言語理解を組み合わせ、次フレームの点群を生成して古典的な幾何変換でロボット動作を計算する3D VLAアーキテクチャを提案。遮蔽や視点変化に頑健な汎化行動を実現する。
原題: Avi: Action from Volumetric Inference / Harris Song, Long Le
日本語で読む → - 論文VLAロボティクス
InternVLA-M1: 空間誘導型視覚-言語-行動フレームワークによる汎用ロボットポリシー
空間グラウンディングを手がかりに「どこで行動するか」と「どう行動するか」を二段階で学習し、汎用ロボット制御を実現するVLAフレームワークを提案。
原題: InternVLA-M1: A Spatially Guided Vision-Language-Action Framework for Generalist Robot Policy / Xinyi Chen, Yilun Chen, Yanwei Fu 他
日本語で読む → - 論文VLAロボティクス
MM-Nav: マルチビューVLAモデルによるマルチエキスパート学習を用いた堅牢な視覚ナビゲーション
360度視野のマルチビューVLAモデルを強化学習エキスパートのデータから教師あり学習し、到達・すり抜け・回避の能力を統合して実世界でも汎化する視覚ナビゲーションを実現した。
原題: MM-Nav: Multi-View VLA Model for Robust Visual Navigation via Multi-Expert Learning / Tianyu Xu, Jiawei Chen, Jiazhao Zhang 他
日本語で読む → - 論文VLAロボティクス
NanoVLA:軽量汎用ロボットポリシーのための視覚言語理解を分離したルーティング
視覚と言語の融合を後段に分離し、長短アクションチャンキングと動的ルーティングを組み合わせることで、エッジデバイス上で最大52倍高速かつ98%少ないパラメータで動作する軽量VLAモデルを提案した。
原題: NanoVLA: Routing Decoupled Vision-Language Understanding for Nano-sized Generalist Robotic Policies / Jiahong Chen, Jing Wang, Long Chen 他
日本語で読む → - 論文VLAロボティクス
QuASH: 自然言語ヒューリスティクスによる視覚言語ロボットマップのクエリ
視覚言語モデルの埋め込みを用いたロボットマップに対し、クエリに関連する同義語・反意語を活用して環境をマッチ/非マッチに分類するクエリ手法を提案し、マップと画像のクエリ性能を向上させた。
原題: QuASH: Using Natural-Language Heuristics to Query Visual-Language Robotic Maps / Matti Pekkanen, Francesco Verdoja, Ville Kyrki
日本語で読む → - 論文VLA画像認識
GAE:VLMの物理的ポテンシャルを引き出す汎用アクションエキスパート
VLMが予測した疎な3Dウェイポイントを、汎用アクションエキスパートが密なロボット動作に変換する手法を提案。大規模点群-軌道データで事前学習し、下流タスクへの汎化性能を実現した。
原題: GAE: Unleashing Physical Potential of VLM with Generalizable Action Expert / Mingyu Liu, Zheng Huang, Xiaoyi Lin 他
日本語で読む → - 論文VLAロボティクス
固有感覚を考慮した双腕ヒューマノイドロボットの身体性計画に向けて
双腕ヒューマノイド向けの新シミュレータDualTHORを構築し、固有感覚情報を組み込んだProprio-MLLMを提案。既存MLLMより計画性能が平均19.75%向上した。
原題: Towards Proprioception-Aware Embodied Planning for Dual-Arm Humanoid Robots / Boyu Li, Siyuan He, Hang Xu 他
日本語で読む → - 論文VLA画像認識
Less is More: 自動運転のための軽量かつ強力な視覚言語モデル
自動運転を言語問題として捉え、視覚言語モデルを用いて前視カメラ入力から直接軌道を予測する一段階エンドツーエンドフレームワークMax-V1を提案。nuScenesで30%以上の性能向上を達成。
原題: Less is More: Lean yet Powerful Vision-Language Model for Autonomous Driving / Sheng Yang, Tong Zhan, Guancheng Chen 他
日本語で読む → - 論文VLA画像認識
RefAtomNet++: 意味検索に基づくマルチトラジェクトリMambaによる参照的原子ビデオ行動認識の高度化
自然言語で指定された人物の細粒度行動を認識するタスク(RAVAR)に対し、部分キーワード・シーン属性・文全体の3階層で意味を揃えたクロスアテンションとマルチトラジェクトリMambaを組み合わせたRefAtomNet++を提案し、大規模データセットRefAVA++で評価した。
原題: RefAtomNet++: Advancing Referring Atomic Video Action Recognition using Semantic Retrieval based Multi-Trajectory Mamba / Kunyu Peng, Di Wen, Jia Fu 他
日本語で読む → - 論文VLAロボティクス
チームXiaomi EV-AD VLA:キャプション誘導検索システムによるクロスモーダルドローン航法
ドローンの自然言語誘導画像検索において、VLMで候補画像のキャプションを生成し再ランキングする2段階手法を提案し、ベースラインを5%改善した。
原題: Team Xiaomi EV-AD VLA: Caption-Guided Retrieval System for Cross-Modal Drone Navigation -- Technical Report for IROS 2025 RoboSense Challenge Track 4 / Lingfeng Zhang, Erjia Xiao, Yuchen Zhang 他
日本語で読む → - 論文VLAロボティクス
NEBULA: 視覚言語行動エージェントを正しく評価できているか?
VLAエージェントの評価のための統一エコシステムNEBULAを提案し、細粒度の能力テストと系統的ストレステストを組み合わせた二軸評価プロトコルを導入した。
原題: NEBULA: Do We Evaluate Vision-Language-Action Agents Correctly? / Jierui Peng, Yanyan Zhang, Yicheng Duan 他
日本語で読む → - 論文VLAAI
D2E: デスクトップデータによる視覚-行動事前学習のスケーリングと身体性AIへの転移
デスクトップのゲーム操作データを大規模に収集・圧縮し、汎用逆動力学モデルで疑似ラベル付けして事前学習することで、ロボットの操作・ナビゲーションタスクへ転移可能な基盤モデルを構築した。
原題: D2E: Scaling Vision-Action Pretraining on Desktop Data for Transfer to Embodied AI / Suhwan Choi, Jaeyoon Jung, Haebin Seong 他
日本語で読む → - 論文VLAロボティクス
不確実性推定の統合による信頼性の高いLLMベースのロボットプランニング
LLMによるロボットプランニングの不確実性を認識論的不確実性と内在的不確実性に分解し、さらにタスクの明確さと馴染み深さに細分して推定する手法CUREを提案し、キッチン操作と卓上整理の実験で実行結果との整合性が向上することを示した。
原題: Towards Reliable LLM-based Robot Planning via Combined Uncertainty Estimation / Shiyuan Yin, Chenjia Bai, Zihao Zhang 他
日本語で読む → - 論文VLA画像認識
PhysToolBench:マルチモーダル大規模言語モデルの物理ツール理解を評価するベンチマーク
MLLMが物理ツールをどれだけ理解しているかを評価する初のVQAベンチマークを構築し、32モデルを評価した結果、ツール理解に大きな欠陥があることを明らかにした。
原題: PhysToolBench: Benchmarking Physical Tool Understanding for MLLMs / Zixin Zhang, Kanghao Chen, Xingwang Lin 他
日本語で読む → - 論文VLAロボティクス
HyperVLA:ハイパーネットワークによるVision-Language-Actionモデルの効率的推論
ハイパーネットワークを用いて推論時にタスク特化の小型ポリシーのみを活性化することで、VLAモデルの推論コストを大幅に削減する手法を提案。
原題: HyperVLA: Efficient Inference in Vision-Language-Action Models via Hypernetworks / Zheng Xiong, Kang Li, Zilin Wang 他
日本語で読む → - 論文VLAロボティクス
SoraNav: ゼロショットVLM推論によるUAVの適応的タスク中心ナビゲーション
3D幾何情報をVLMの2D入力に統合し、探索履歴に基づく適応的意思決定でドローンを自然言語指示に従ってナビゲートするフレームワークを提案。
原題: SoraNav: Adaptive UAV Task-Centric Navigation via Zeroshot VLM Reasoning / Hongyu Song, Rishabh Dev Yadav, Cheng Guo 他
日本語で読む →
PR・アフィリエイト広告
