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: 2025/9/1 / 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
物体の所有権理解に向けて:大規模言語モデルと確率生成モデルによる能動的質問生成
ロボットが所有権を効率的に学習するため、LLMの常識で共有物と所有物を分類し、情報利得を最大化する質問を能動的に生成するフレームワークActOwLを提案した。
原題: Toward Ownership Understanding of Objects: Active Question Generation with Large Language Model and Probabilistic Generative Model / Saki Hashimoto, Shoichi Hasegawa, Tomochika Ishikawa 他
日本語で読む → - 論文VLAロボティクス
ViReSkill: 視覚に基づく再計画とスキル記憶によるLLMベースの生涯ロボット学習
LLM/VLMの計画を視覚情報で接地し、失敗時に再計画、成功した計画をスキルとして蓄積・再利用する枠組みを提案。LIBEROやRLBench、実機で成功率を向上させた。
原題: ViReSkill: Vision-Grounded Replanning with Skill Memory for LLM-Based Planning in Lifelong Robot Learning / Tomoyuki Kagaya, Subramanian Lakshmi, Anbang Ye 他
日本語で読む → - 論文VLAロボティクス
GestOS: 大規模言語モデルによる高度なハンドジェスチャー解釈で多様なロボットを操作
手のジェスチャーをLLMで意味解釈し、複数ロボットの能力に応じてタスクを動的に割り振る操作システムを提案した。
原題: GestOS: Advanced Hand Gesture Interpretation via Large Language Models to control Any Type of Robot / Artem Lykov, Oleg Kobzarev, Dzmitry Tsetserukou
日本語で読む → - 論文VLAAI
MMCD: 知識蒸留を用いたマルチモーダル協調意思決定によるコネクテッド自律走行
複数車両のマルチモーダル観測を融合し、知識蒸留で一部センサー欠如時にも堅牢な意思決定を実現する枠組みを提案。地上車・空陸協調実験で安全性を最大20.7%改善。
原題: MMCD: Multi-Modal Collaborative Decision-Making for Connected Autonomy with Knowledge Distillation / Rui Liu, Zikang Wang, Peng Gao 他
日本語で読む → - 論文VLAロボティクス
AdaNav: 不確実性に基づく適応的推論による視覚言語ナビゲーション
視覚言語ナビゲーションにおいて、不確実性に応じて推論を動的に発動する軽量プラグインを提案し、少ない学習データで大幅な性能向上を実現した。
原題: AdaNav: Adaptive Reasoning with Uncertainty for Vision-Language Navigation / Xin Ding, Jianyu Wei, Yifan Yang 他
日本語で読む → - 論文VLAロボティクス
ロボット実世界強化学習のための視覚-言語-行動-批評家モデル
大規模データで学習したVLAベースのプロセス報酬モデルVLACを提案し、報酬設計を不要にするとともに、実世界のマニピュレーション4タスクで成功率を約30%から約90%へ向上させた。
原題: A Vision-Language-Action-Critic Model for Robotic Real-World Reinforcement Learning / Shaopeng Zhai, Qi Zhang, Tianyi Zhang 他
日本語で読む → - 論文VLAロボティクス
エージェント的シーンポリシー:ロボット行動のための空間・意味・アフォーダンスの統合
シーン表現をロボットと世界の問い合わせ可能なインターフェースとして用い、言語指示に基づく行動をゼロショットで計画するエージェントフレームワークASPを提案。
原題: Agentic Scene Policies: Unifying Space, Semantics, and Affordances for Robot Action / Sacha Morin, Kumaraditya Gupta, Mahtab Sandhu 他
日本語で読む → - 論文VLA画像認識
RynnVLA-001:人間のデモンストレーションを活用したロボットマニピュレーションの改善
人間の操作動画で大規模に事前学習した視覚-言語-行動モデルを提案し、2段階の事前学習とActionVAEで行動予測を効率化してロボット操作性能を向上させた。
原題: RynnVLA-001: Using Human Demonstrations to Improve Robot Manipulation / Yuming Jiang, Siteng Huang, Shengke Xue 他
日本語で読む → - 論文VLAロボティクス
DynaMIC: 動的マルチモーダル・インコンテキスト学習によるロボットの反事実的指示への耐性
人間の誤解を招く指示(指示的反事実)を検出し、ロボットがタスク実行中にフィードバックを返すことで安全性を高めるフレームワークDynaMICを提案した。
原題: DynaMIC: Dynamic Multimodal In-Context Learning Enabled Embodied Robot Counterfactual Resistance Ability / Tianqiang Yan, Ziqiao Lin, Sicheng Wang 他
日本語で読む → - 論文VLAロボティクス
T-araVLN: 農業ロボットエージェントのための視覚言語ナビゲーション向け指示翻訳器
農業ロボットの視覚言語ナビゲーションにおいて、複雑な指示の誤解を防ぐため、ノイズの多い指示を精緻な表現に翻訳するモジュールを提案し、成功率とナビゲーション精度を改善した。
原題: T-araVLN: Translator for Agricultural Robotic Agents on 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
行動チャンクPPOと自己行動クローニングによるVLAモデルの事後学習
VLAモデルの事後学習に、行動をまとめて扱うPPOと自己収集デモによる行動クローニングを組み合わせ、安定かつ高成功率を実現した。
原題: VLA Model Post-Training via Action-Chunked PPO and Self Behavior Cloning / Si-Cheng Wang, Tian-Yu Xiang, Xiao-Hu Zhou 他
日本語で読む → - 論文VLAロボティクス
VLAモデルのデュアルアクター微調整:対話と修正によるヒューマン・イン・ザ・ループ手法
人間の修正を言語コマンドに変換する「talk-and-tweak」を取り入れた強化学習ベースの二重アクター微調整フレームワークを提案し、実世界の多タスク操作で高成功率と効率向上を実現した。
原題: Dual-Actor Fine-Tuning of VLA Models: A Talk-and-Tweak Human-in-the-Loop Approach / Piaopiao Jin, Qi Wang, Guokang Sun 他
日本語で読む → - 論文VLAロボティクス
クロスドメインスキル拡散による文脈内ポリシー適応
ドメイン非依存のプロトタイプスキルとドメイン適応スキルを拡散モデルで学習し、モデル更新なし・少量データで強化学習ポリシーを新環境に適応させるフレームワークを提案。
原題: In-Context Policy Adaptation via Cross-Domain Skill Diffusion / Minjong Yoo, Woo Kyung Kim, Honguk Woo
日本語で読む → - 論文VLAロボティクス
一人称視点動画から視覚-言語-行動モデルを構築する
一人称視点の動画から6DoF物体操作軌跡を抽出し、大規模なVLA事前学習データセットを構築。シミュレーションと実機で成功率が20%以上向上することを示した。
原題: Developing Vision-Language-Action Model from Egocentric Videos / Tomoya Yoshida, Shuhei Kurita, Taichi Nishimura 他
日本語で読む → - 論文VLAロボティクス
LLMによるタスク・アフォーダンスレベル探索を用いた強化学習
大規模言語モデルの計画をタスクとアフォーダンスの両レベルで活用し、強化学習の探索を効率化するフレームワークLLM-TALEを提案。把持・配置タスクで成功率とサンプル効率が向上し、実機へのゼロショット転移も示した。
原題: LLM-Guided Task- and Affordance-Level Exploration in Reinforcement Learning / Jelle Luijkx, Runyu Ma, Zlatan Ajanović 他
日本語で読む → - 論文VLAロボティクス
FPC-VLA:失敗予測と修正のためのスーパーバイザを備えた視覚-言語-行動フレームワーク
VLAモデルに失敗予測と修正を行うスーパーバイザを組み合わせ、シミュレーションと実機で成功率を向上させたデュアルモデルフレームワーク。
原題: FPC-VLA: A Vision-Language-Action Framework with a Supervisor for Failure Prediction and Correction / Yifan Yang, Zhixiang Duan, Tianshi Xie 他
日本語で読む → - 論文VLAロボティクス
World-Env: ワールドモデルを仮想環境として活用するVLAポストトレーニング
物理的に整合性のあるワールドモデルを仮想シミュレータとして使い、VLAモデルを強化学習でポストトレーニングする枠組みを提案。タスクごとに5件の実演データだけで複雑なマニピュレーション性能を向上させる。
原題: World-Env: Leveraging World Model as a Virtual Environment for VLA Post-Training / Junjin Xiao, Yandan Yang, Xinyuan Chang 他
日本語で読む → - 論文VLAロボティクス
FSR-VLN: 階層的マルチモーダルシーングラフによる視覚言語ナビゲーションの高速・低速推論
階層的マルチモーダルシーングラフと高速・低速推論を組み合わせ、長距離視覚言語ナビゲーションの成功率を向上させつつ応答時間を82%削減し、ヒューマノイドロボットに実装した。
原題: FSR-VLN: Fast and Slow Reasoning for Vision-Language Navigation with Hierarchical Multi-modal Scene Graph / Xiaolin Zhou, Tingyang Xiao, Liu Liu 他
日本語で読む → - 論文VLAロボティクス
Omni-LIVO: 測光マイグレーションとESIKF融合による堅牢なRGBカラー多カメラ視覚慣性LiDARオドメトリ
多カメラの視覚・慣性・LiDARを密結合し、非重複視野間の測光一貫性を保つ直接位置合わせとESIKFの多視点更新により、広範囲で高精度な自己位置推定と色付き地図生成を実現した研究。
原題: Omni-LIVO: Robust RGB-Colored Multi-Camera Visual-Inertial-LiDAR Odometry via Photometric Migration and ESIKF Fusion / Yinong Cao, Chenyang Zhang, Xin He 他
日本語で読む → - 論文VLAロボティクス
正規化フローによる双腕視覚運動ポリシー
双腕操作のための条件付き正規化フローベースの視覚運動ポリシーNF-Pを提案し、尤度計算を活かした推論時最適化で高成功率・低遅延を実現した。
原題: Normalizing Flows are Capable Models for Bi-manual Visuomotor Policy / Jialong Li, Simon Kristoffersson Lind, Wenrui Xie 他
日本語で読む → - 論文VLAロボティクス
TrajBooster: 軌道中心学習によるヒューマノイド全身マニピュレーションの強化
車輪型ヒューマノイドの豊富なデータを活用し、エンドエフェクタ軌道を形態非依存のインターフェースとして二足歩行ヒューマノイドのVLAを効率的に学習させるフレームワークを提案。
原題: TrajBooster: Boosting Humanoid Whole-Body Manipulation via Trajectory-Centric Learning / Jiacheng Liu, Pengxiang Ding, Qihang Zhou 他
日本語で読む → - 論文VLAAI
エージェント型UAV:ツール呼び出しと認知推論を統合したLLM駆動の自律制御
LLMエージェントとツール呼び出しを組み合わせた5層アーキテクチャでUAVの自律性を高め、模擬捜索救助で検出精度と行動推薦の大幅な改善を示した研究。
原題: Agentic UAVs: LLM-Driven Autonomy with Integrated Tool-Calling and Cognitive Reasoning / Anis Koubaa, Khaled Gabr
日本語で読む → - 論文VLAロボティクス
自律走行のための離散拡散による反射型視覚言語行動モデル
離散拡散と言語モデルを活用し、安全な軌道生成のための反射機構を備えた自律走行向けVLAフレームワークを提案。
原題: Discrete Diffusion for Reflective Vision-Language-Action Models in Autonomous Driving / Pengxiang Li, Yinan Zheng, Yue Wang 他
日本語で読む → - 論文VLAロボティクス
MimicDreamer: 人間とロボットのデモンストレーションを統合しスケーラブルなVLA学習を実現
人間の操作動画をロボット視点・動作に変換する映像拡散モデルと視点安定化・動作整合技術を組み合わせ、実機ロボットでの少数ショット実行を可能にするVLA学習フレームワークを提案。
原題: MimicDreamer: Aligning Human and Robot Demonstrations for Scalable VLA Training / Haoyun Li, Ivan Zhang, Runqi Ouyang 他
日本語で読む → - 論文VLAロボティクス
DreamNav: 軌道ベースの想像フレームワークによるゼロショット視覚言語ナビゲーション
自己中心視点のみを用いて、軌道レベル計画と能動的想像を統合したゼロショット視覚言語ナビゲーション手法を提案し、VLN-CEと実世界でSOTAを達成した。
原題: DreamNav: A Trajectory-Based Imaginative Framework for Zero-Shot Vision-and-Language Navigation / Yunheng Wang, Yuetong Fang, Taowen Wang 他
日本語で読む → - 論文VLA画像認識
イベントカメラによる視覚的グラウンディング
イベントカメラデータを用いた言語駆動型物体グラウンディングのための大規模ベンチマークTalk2Eventを構築し、動的環境でのマルチモーダル知覚を可能にした。
原題: Visual Grounding from Event Cameras / Lingdong Kong, Dongyue Lu, Ao Liang 他
日本語で読む → - 論文VLAAI
ゴールだけでなくステップを評価:VLMによるロボットマニピュレーションのサブゴール評価
ロボット学習の評価を最終的な成功/失敗だけでなく、各サブゴールの成功率で可視化するため、視覚言語モデルを自動判定者として使う評価フレームワークStepEvalの設計原則を提案した論文。
原題: Score the Steps, Not Just the Goal: VLM-Based Subgoal Evaluation for Robotic Manipulation / Ramy ElMallah, Krish Chhajer, Chi-Guhn Lee
日本語で読む → - 論文VLAAI
EMMA: 生成的視覚転送による実世界ロボットマニピュレーションの汎化
拡散Transformerでロボット操作動画を生成し、実データと混合してVLAポリシーを訓練することで、未知の視覚環境へのゼロショット汎化を実現した。
原題: EMMA: Generalizing Real-World Robot Manipulation via Generative Visual Transfer / Zhehao Dong, Xiaofeng Wang, Zheng Zhu 他
日本語で読む → - 論文VLAロボティクス
Mamba2を用いた視覚-固有感覚融合による運動制御のためのエンドツーエンド強化学習
視覚と固有感覚をMamba2で融合し、長距離依存を効率的に扱うエンドツーエンド強化学習フレームワークを提案。多様な運動制御タスクで安全性と性能を向上。
原題: Vision-Proprioception Fusion with Mamba2 in End-to-End Reinforcement Learning for Motion Control / Xiaowen Tao, Yinuo Wang, Jinzhao Zhou
日本語で読む → - 論文VLAロボティクス
GeoAware-VLA: 幾何学認識を組み込んだ視覚-言語-行動モデル
凍結した幾何学視覚モデルを特徴抽出器として使い、軽量な投影層でポリシーに適応させることで、未見のカメラ視点への汎化性能を大幅に向上させたVLAモデル。
原題: GeoAware-VLA: Implicit Geometry Aware Vision-Language-Action Model / Ali Abouzeid, Malak Mansour, Qinbo Sun 他
日本語で読む →
PR・アフィリエイト広告
