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画像認識
マルチモーダル言語モデルの身体性能力をスキル単位で評価・診断するベンチマークBEAR
身体性タスクを14の原子スキルに分解してMLLMを細粒度評価するベンチマークBEARを提案し、知覚と時空間モデリングがボトルネックであることを示すとともに、視覚・空間推論ツールを組み込んだBEAR-Agentで性能を改善した。
原題: Dissecting Embodied Abilities in Multimodal Language Models through Skill-level Evaluation and Diagnosis / Yu Qi, Haibo Zhao, Ziyu Guo 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VLAAI
目に見える以上のもの?視覚言語運転モデルにおける推論と計画の乖離の解明
運転用VLMエージェントの計画が自然言語推論に因果的に依存するかを検証し、実際には推論ではなく事前情報に依存していることを示した研究。
原題: More Than Meets the Eye? Uncovering the Reasoning-Planning Disconnect in Training Vision-Language Driving Models / Xurui Song, Shuo Huai, JingJing Jiang 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ための対照表現正則化
VLAモデルの表現をロボットの固有感覚状態と対照学習で整合させ、実機マニピュレーションの成功率を向上させた研究。
原題: Contrastive Representation Regularization for Vision-Language-Action Models / Taeyoung Kim, Jimin Lee, Myungkyu Koo 他
日本語で読む → - 論文VLAロボティクス
自己改善VLAのための反省ベースタスク適応
VLMの因果推論で失敗から報酬を自動生成し強化学習を加速、成功軌道の模倣で報酬ハッキングを防ぐ二経路フレームワークを提案。
原題: Reflection-Based Task Adaptation for Self-Improving VLA / Baicheng Li, Dong Wu, Zike Yan 他
日本語で読む → - 論文VLA画像認識
視覚言語モデルの戦略的融合:自動運転におけるマルチラベルタスクのためのShapleyクレジット付き文脈認識Dawid-Skene
自動運転のマルチラベル理解に向けて、複数の視覚言語モデルの信頼性をゲーム理論的に統合する手法を提案し、単一モデルより高精度かつ解釈可能な融合を実現した。
原題: Strategic Fusion of Vision Language Models: Shapley-Credited Context-Aware Dawid-Skene for Multi-Label Tasks in Autonomous Driving / Yuxiang Feng, Keyang Zhang, Hassane Ouchouid 他
日本語で読む → - 論文VLAロボティクス
UniJEPA:連続・離散表現の統合学習によるロボットポリシーの強化
100万件超の操作動画で視覚表現を事前学習し、ロボット実機データで微調整することで、予測表現から行動トークンへのマッピングを学習する汎用ロボットポリシー手法を提案。
原題: UniJEPA: Enhancing Robot Policy via Unified Continuous and Discrete Representation Learning / Jianke Zhang, Yucheng Hu, Yanjiang Guo 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
EBT-Policy:エネルギーが創発的な物理推論能力を解き放つ
拡散ポリシーに代わるエネルギー・ベースのポリシーEBT-Policyを提案し、少ない計算で高精度・高ロバストなロボット制御を実現、失敗からのゼロショット回復などの創発能力を示した。
原題: EBT-Policy: Energy Unlocks Emergent Physical Reasoning Capabilities / Travis Davies, Yiqi Huang, Alexi Gladstone 他
日本語で読む → - 論文VLA画像認識
世界モデル拡張VLAのためのデュアルストリーム拡散
視覚・言語・行動モデルに世界モデルを組み合わせ、状態と行動を別ストリームで拡散生成するDUSTを提案し、シミュレーションと実機で性能向上を実証した。
原題: Dual-Stream Diffusion for World-Model Augmented Vision-Language-Action Model / John Won, Kyungmin Lee, Huiwon Jang 他
日本語で読む → - 論文VLA画像認識
EmbodiedBrain: 具現化知能のためのタスクプランニング性能の限界を拡張する
7Bと32Bの視覚言語基盤モデルEmbodiedBrainを提案し、SFTとStep-GRPOを組み合わせた学習法と新しい評価環境で具現化タスクの計画性能を向上させた。
原題: EmbodiedBrain: Expanding Performance Boundaries of Task Planning for Embodied Intelligence / Ding Zou, Feifan Wang, Mengyu Ge 他
日本語で読む → - 論文VLAロボティクス
J-ORA: 日本語物体識別・参照解決・行動予測のためのロボット知覚フレームワークとマルチモーダルデータセット
日本語の人間-ロボット対話における物体属性アノテーション付きマルチモーダルデータセットを構築し、物体識別・参照解決・次行動予測の性能評価を行った。
原題: J-ORA: A Framework and Multimodal Dataset for Japanese Object Identification, Reference, Action Prediction in Robot Perception / Jesse Atuhurra, Hidetaka Kamigaito, Taro Watanabe 他
日本語で読む → - 論文VLAロボティクス
TrackVLA++:具現化視覚追跡のための推論と記憶能力を引き出すVLAモデル
移動する対象を追跡する具現化視覚追跡において、空間推論と長期記憶のモジュールを導入し、遮蔽や類似物体に強いVLAモデルを提案した。
原題: TrackVLA++: Unleashing Reasoning and Memory Capabilities in VLA Models for Embodied Visual Tracking / Jiahang Liu, Yunpeng Qi, Jiazhao Zhang 他
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機械学習
意味論的ワールドモデル
未来のピクセルを再構成する代わりに、タスクに関連する意味情報を視覚的質問応答として予測するワールドモデルを提案し、VLMを活用してロボット制御の汎化性能を向上させた。
原題: Semantic World Models / Jacob Berg, Chuning Zhu, Yanda Bao 他
日本語で読む → - 論文VLAロボティクス
検証器不要のテスト時サンプリングによる視覚-言語-行動モデル
VLAモデルが追加学習や外部検証器なしに、内部のマスキング分布を利用してテスト時に複数候補から最適な行動を選択する手法を提案。
原題: Verifier-free Test-Time Sampling for Vision-Language-Action Models / Suhyeok Jang, Dongyoung Kim, Changyeon Kim 他
日本語で読む → - 論文VLAロボティクス
RLinf-VLA:視覚言語行動モデルの強化学習のための統合効率フレームワーク
多様なVLAモデルとRLアルゴリズム、シミュレータを統合し、効率的な強化学習を可能にするフレームワークを提案。LIBEROやManiSkillなどで高い成功率を達成。
原題: RLinf-VLA: A Unified and Efficient Framework for Reinforcement Learning of Vision-Language-Action Models / Hongzhi Zang, Mingjie Wei, Si Xu 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
3Dシーングラフを用いた自動推論のための構造化インターフェース
LLMと3Dシーングラフを連携させて自然言語を接地する際、シーングラフ全体をテキスト化する代わりにグラフデータベースとCypherクエリを介して必要な部分だけを取得する手法を提案し、大規模シーングラフでの性能とトークン効率を改善した。
原題: Structured Interfaces for Automated Reasoning with 3D Scene Graphs / Aaron Ray, Jacob Arkin, Harel Biggie 他
日本語で読む → - 論文VLAロボティクス
Gemini Robotics 1.5:高度な身体性推論・思考・動作転移で汎用ロボットの最前線を押し広げる
異種ロボットデータから学ぶ動作転移機構と自然言語での多段階推論を組み合わせたVLAモデルと、身体性推論に特化したモデルを発表し、複雑な多段階タスクの実行と解釈性を向上させた。
原題: Gemini Robotics 1.5: Pushing the Frontier of Generalist Robots with Advanced Embodied Reasoning, Thinking, and Motion Transfer / Gemini Robotics Team, Abbas Abdolmaleki, Saminda Abeyruwan 他
日本語で読む → - 論文VLAロボティクス
Classifier-Free Guidanceで拡散ポリシーを強化する時系列ロボットタスク
条件付き・無条件モデルを組み合わせたClassifier-Free Guidanceを拡散ポリシーに導入し、時系列タスクでの局所最適化や反復動作を抑えてヒューマノイドロボットの成功率と信頼性を高めた研究。
原題: Enhancing Diffusion Policy with Classifier-Free Guidance for Temporal Robotic Tasks / Yuang Lu, Song Wang, Xiao Han 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
MoS-VLA: ワンショットスキル適応を可能にする視覚-言語-行動モデル
ロボット操作方策を学習済み基底関数の線形結合として表現し、新しいタスクには1回の実演だけで勾配更新なしに適応できるVLAフレームワークを提案。
原題: MoS-VLA: A Vision-Language-Action Model with One-Shot Skill Adaptation / Ruihan Zhao, Tyler Ingebrand, Sandeep Chinchali 他
日本語で読む → - 論文VLA機械学習
OpenVLAに創発する世界表現
OpenVLAの内部表現を線形・非線形プローブで解析し、状態遷移を予測できる世界モデルが暗黙的に学習されていることを示した研究。
原題: Emergent World Representations in OpenVLA / Marco Molinari, Leonardo Nevali, Saharsha Navani 他
日本語で読む → - 論文VLAロボティクス
Robot Control Stack:大規模ロボット学習のための軽量エコシステム
VLAや強化学習ポリシーの学習・実機実験を支援する、シミュレーションと実機を統一インターフェースで扱う軽量なロボット制御フレームワークを提案し、OctoやOpenVLAなどの性能を評価した。
原題: Robot Control Stack: A Lean Ecosystem for Robot Learning at Scale / Tobias Jülg, Pierre Krack, Seongjin Bien 他
日本語で読む → - 論文VLAロボティクス
SimpleVLA-RL:強化学習によるVLAモデル訓練のスケーリング
VLAモデル向けの効率的な強化学習フレームワークを提案し、大規模データへの依存を減らしつつLIBEROやRoboTwinで高性能を達成した。
原題: SimpleVLA-RL: Scaling VLA Training via Reinforcement Learning / Haozhan Li, Yuxin Zuo, Jiale Yu 他
日本語で読む → - 論文VLAロボティクス
身体性を持つ空間知能:暗黙的シーン表現から空間推論へ
自然言語指示に基づいて実世界で知覚・行動するロボットの実現に向け、暗黙的ニューラル表現によるシーン表現と、LLMの空間推論能力を高める手法を提案した博士論文。
原題: Embodied Spatial Intelligence: from Implicit Scene Modeling to Spatial Reasoning / Jiading Fang
日本語で読む → - 論文VLAロボティクス
Video-to-BT: 人間の実演動画からロボット組立用の反応型ビヘイビアツリーを生成
人間の組立作業を撮影した動画をVLMでサブタスクに分解し、ビヘイビアツリーを自動生成してロボットに実行させる枠組みを提案。実行時の失敗に応じて再計画も行い、長期的な組立作業での汎化性能を実機で示した。
原題: Video-to-BT: Generating Reactive Behavior Trees from Human Demonstration Videos for Robotic Assembly / Xiwei Zhao, Yiwei Wang, Yansong Wu 他
日本語で読む → - 論文VLAロボティクス
抽象障害物マップとトポロジカルグラフを活用したゼロショット視覚言語ナビゲーション
MLLMと抽象障害物マップ上のウェイポイント予測を組み合わせ、訪問履歴付きトポロジカルグラフをプロンプトに組み込むことで、連続環境でのゼロショット視覚言語ナビゲーションを高精度化した研究。
原題: Boosting Zero-Shot VLN via Abstract Obstacle Map-Based Waypoint Prediction with TopoGraph-and-VisitInfo-Aware Prompting / Boqi Li, Siyuan Li, Weiyi Wang 他
日本語で読む →
PR・アフィリエイト広告
