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画像認識
DINOv3拡散方策:視覚運動拡散方策学習のための自己教師あり大規模視覚モデル
ロボットマニピュレーションの拡散方策において、自己教師あり視覚バックボーンDINOv3が従来のImageNet教師ありResNet-18と同等以上に機能し、サンプル効率と頑健性を向上させることを示した。
原題: DINOv3-Diffusion Policy: Self-Supervised Large Visual Model for Visuomotor Diffusion Policy Learning / ThankGod Egbe, Peng Wang, Zhihao Guo 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
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ロボティクス
ロボット知覚と遠隔操作計画のためのオープン語彙時空間シーングラフ
自然言語による遠隔操作で生じる通信遅延による状態のずれを解消するため、LVLMを用いてオープン語彙の3D物体表現を時間方向に拡張し、遅延タグを付与した時空間シーングラフを構築する手法を提案した。
原題: Open-Vocabulary Spatio-Temporal Scene Graph for Robot Perception and Teleoperation Planning / Yi Wang, Zeyu Xue, Mujie Liu 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
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 → - 論文VLAロボティクス
PhysicalAgent:基盤世界モデルによる汎用認知ロボティクスの実現
テキスト指示から拡散モデルで動画デモを生成し、ロボットで実行・失敗時に再計画する反復ループで、多様なロボットのマニピュレーション成功率を最大80%まで高めた。
原題: PhysicalAgent: Towards General Cognitive Robotics with Foundation World Models / Artem Lykov, Jeffrin Sam, Hung Khang Nguyen 他
日本語で読む → - 論文VLAcs.NI
相乗的強化:無線通信と身体性知能の融合
無線通信と身体性知能が相互に強化し合う共進化の枠組みを、知覚・認知・実行ループの観点から整理し、今後の課題を提示した展望論文。
原題: Synergetic Empowerment: Wireless Communications Meets Embodied Intelligence / Hongtao Liang, Yihe Diao, YuHang Wu 他
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
F1: 理解と生成を行動に橋渡しする視覚-言語-行動モデル
将来の視覚状態を予測する「視覚的先見」を意思決定に組み込み、それを目標として逆動力学で行動を生成するVLAフレームワークF1を提案し、実世界タスクとシミュレーションで成功率と汎化性能を大幅に向上させた。
原題: F1: A Vision-Language-Action Model Bridging Understanding and Generation to Actions / Qi Lv, Weijie Kong, Hao Li 他
日本語で読む → - 論文VLAロボティクス
I-FailSense: 視覚言語モデルによる汎用的なロボット失敗検出に向けて
視覚言語モデルを微調整し、内部層に軽量な分類ヘッドを付けてアンサンブルすることで、指示と意味的にずれたロボットの失敗を検出するフレームワークを提案。
原題: I-FailSense: Towards General Robotic Failure Detection with Vision-Language Models / Clemence Grislain, Hamed Rahimi, Olivier Sigaud 他
日本語で読む → - 論文VLAロボティクス
UnderwaterVLA:自律型水中ナビゲーションのための二重脳型視覚言語行動アーキテクチャ
水中ロボットにVLAモデルを初めて適用し、高レベル推論と低レベル制御を分離した二重脳構成と流体力学を考慮したMPCを組み合わせることで、濁った水中でもナビゲーション精度とタスク完了率を向上させた。
原題: UnderwaterVLA: Dual-brain Vision-Language-Action architecture for Autonomous Underwater Navigation / Zhangyuan Wang, Yunpeng Zhu, Yuqi Yan 他
日本語で読む → - 論文VLAロボティクス
CLAW: 重量を考慮したロボット把持のための視覚-言語-行動フレームワーク
重量計の数値をCLIPで監視して閾値に応じた指示を生成し、VLAポリシーと組み合わせて重量を考慮した把持を実現するフレームワークを提案。
原題: CLAW: A Vision-Language-Action Framework for Weight-Aware Robotic Grasping / Zijian An, Ran Yang, Yiming Feng 他
日本語で読む → - 論文VLAAI
ANNIE: ロボットの安全性に注意せよ
視覚言語行動モデルを搭載した身体性AIロボットへの敵対的攻撃の安全性リスクを初めて体系的に研究し、ISO規格に基づく違反分類、評価ベンチマークANNIEBench、攻撃フレームワークANNIE-Attackを提案した。
原題: ANNIE: Be Careful of Your Robots / Yiyang Huang, Zixuan Wang, Zishen Wan 他
日本語で読む → - 論文VLAロボティクス
MimicDroid: 人間の遊び動画からの文脈内学習によるヒューマノイドロボット操作
人間の遊び動画のみを訓練データとして、ヒューマノイドが新しい操作タスクを数例の動画から効率的に学習できる文脈内学習手法を提案し、実世界で成功率を約2倍に向上させた。
原題: MimicDroid: In-Context Learning for Humanoid Robot Manipulation from Human Play Videos / Rutav Shah, Shuijing Liu, Qi Wang 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
RetoVLA: レジスタトークンを再利用した空間推論対応の軽量VLAモデル
Vision Transformerのレジスタトークンを捨てずに行動計画モジュールへ注入し、パラメータを増やさずに軽量VLAモデルの3D空間推論能力を回復させた。
原題: RetoVLA: Reusing Register Tokens for Spatial Reasoning in Vision-Language-Action Models / Jiyeon Koo, Taewan Cho, Hyunjoon Kang 他
日本語で読む → - 論文VLAロボティクス
Align-Then-stEer:統一潜在ガイダンスによる視覚-言語-行動モデルの適応
VLAモデルを下流タスクに適応させる際、事前学習との行動分布のずれを統一潜在空間でのアライメントと生成過程のガイダンスで解消し、少ないデータで効率的に微調整する手法を提案。
原題: Align-Then-stEer: Adapting the Vision-Language Action Models through Unified Latent Guidance / Yang Zhang, Chenwei Wang, Ouyang Lu 他
日本語で読む → - 論文VLAロボティクス
Plantbot:LLMモジュールエージェントネットワークによる植物とロボットの統合
植物の状態をLLMモジュール群が自然言語で解釈し、移動ロボットの行動に変換するハイブリッド生命体を提案。生物と人工物が自律的に協調する新たな人工生命モデルを示した。
原題: Plantbot: Integrating Plant and Robot through LLM Modular Agent Networks / Atsushi Masumori, Norihiro Maruyama, Itsuki Doi 他
日本語で読む → - 論文水中ロボット/VLAロボティクス
DREAM: ドメイン認識推論による効率的な自律型水中モニタリング
VLMを活用し、事前位置情報なしで牡蠣や沈没船などの対象を探索・監視する水中ロボットの自律フレームワークを提案し、従来手法より少ないステップで広範囲をカバーできることを示した。
原題: DREAM: Domain-aware Reasoning for Efficient Autonomous Underwater Monitoring / Zhenqi Wu, Abhinav Modi, Angelos Mavrogiannis 他
日本語で読む → - 論文VLAロボティクス
視覚誘導グラフ彩色による視覚的再配置タスクの離散抽象化学習
生画像から再配置タスクの離散的なグラフ構造抽象化を自動発見し、高レベル計画を可能にする手法を提案。
原題: Learning Discrete Abstractions for Visual Rearrangement Tasks Using Vision-Guided Graph Coloring / Abhiroop Ajith, Constantinos Chamzas
日本語で読む → - 論文VLAロボティクス
V2V-GoT: マルチモーダル大規模言語モデルと思考グラフによる車車間協調自動運転
車車間通信とマルチモーダル大規模言語モデルを組み合わせ、思考グラフ推論を用いて遮蔽物がある状況でも協調的な知覚・予測・計画を行う手法を提案した。
原題: V2V-GoT: Vehicle-to-Vehicle Cooperative Autonomous Driving with Multimodal Large Language Models and Graph-of-Thoughts / Hsu-kuang Chiu, Ryo Hachiuma, Chien-Yi Wang 他
日本語で読む → - 論文VLA機械学習
自己改善する身体性基盤モデル
ロボット基盤モデルの事後学習を2段階(行動クローン+残りステップ予測のSFT、その後自己改善)で行い、人手を最小限に自律的なスキル獲得と高い成功率を実現した研究。
原題: Self-Improving Embodied Foundation Models / Seyed Kamyar Seyed Ghasemipour, Ayzaan Wahid, Jonathan Tompson 他
日本語で読む → - 論文VLAロボティクス
IA-VLA: 意味的に複雑なタスクにおける視覚言語行動モデルのための入力拡張
大規模視覚言語モデルを前処理として使い、VLAの入力を拡張するフレームワークを提案。見た目が同じ物体を含む複雑な指示タスクで性能が向上することを示した。
原題: IA-VLA: Input Augmentation for Vision-Language-Action models in settings with semantically complex tasks / Eric Hannus, Miika Malin, Tran Nguyen Le 他
日本語で読む → - 論文VLAロボティクス
マルチアームロボット操作における方策推論のためのグラフ融合視覚-言語-行動
人間のRGB-D動画からタスクレベルの推論と実行を可能にするGF-VLAを提案し、シーングラフと言語条件付きトランスフォーマで二腕ロボットの動作を生成する。
原題: Graph-Fused Vision-Language-Action for Policy Reasoning in Multi-Arm Robotic Manipulation / Shunlei Li, Longsen Gao, Jiuwen Cao 他
日本語で読む → - 論文VLAロボティクス
MLA: ロボットマニピュレーションにおけるマルチモーダル理解と予測のためのマルチセンサリー言語行動モデル
2D画像・3D点群・触覚を位置対応で統合し、将来のマルチセンサリー情報を予測する言語行動モデルを提案。接触の多い実世界タスクで従来の2D/3D VLAを大きく上回る。
原題: MLA: A Multisensory Language-Action Model for Multimodal Understanding and Forecasting in Robotic Manipulation / Zhuoyang Liu, Jiaming Liu, Jiadong Xu 他
日本語で読む → - 論文VLAロボティクス
量子深層強化学習によるヒューマノイドロボットのナビゲーション
パラメータ化量子回路を用いた量子深層強化学習(QDRL)をヒューマノイドロボットのナビゲーションに適用し、従来のSACよりも少ないステップで高い報酬を達成できることを示した。
原題: Quantum deep reinforcement learning for humanoid robot navigation task / Romerik Lokossou, Birhanu Shimelis Girma, Ozan K. Tonguz 他
日本語で読む → - 論文VLAロボティクス
純粋な視覚言語行動(VLA)モデル:包括的サーベイ
視覚言語行動(VLA)モデルの研究を体系的に整理し、自己回帰・拡散・強化学習などのパラダイム分類やデータセット・ベンチマークを概観したサーベイ論文。
原題: Pure Vision Language Action (VLA) Models: A Comprehensive Survey / Dapeng Zhang, Jing Sun, Chenghui Hu 他
日本語で読む →
PR・アフィリエイト広告
