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
トルク対応VLAモデルの設計空間の解明
トルク信号をVLAモデルに統合する設計空間を体系的に検討し、デコーダへのトルクアダプタ導入と補助出力としてのトルク予測が有効であることを示した。
原題: TA-VLA: Elucidating the Design Space of Torque-aware Vision-Language-Action Models / Zongzheng Zhang, Haobo Xu, Zhuo Yang 他
日本語で読む → - 論文VLA画像認識
ロボティクスにおける臨床シーン理解のための軽量構造化マルチモーダル推論
軽量なVLMとエージェント層を組み合わせ、動画から構造化シーングラフを生成して臨床現場のロボット支援を可能にするフレームワークを提案。
原題: Lightweight Structured Multimodal Reasoning for Clinical Scene Understanding in Robotics / Saurav Jha, Stefan K. Ehrlich
日本語で読む → - 論文VLAロボティクス
OmniVLA:ロボットナビゲーションのためのオムニモーダル視覚言語行動モデル
2D姿勢・自己中心画像・自然言語などの複数のゴール指定をランダムに融合して学習し、未知環境への汎化や新しい言語指示への追従を可能にしたナビゲーション用VLAモデルを提案。
原題: OmniVLA: An Omni-Modal Vision-Language-Action Model for Robot Navigation / Noriaki Hirose, Catherine Glossop, Dhruv Shah 他
日本語で読む → - 論文VLA画像認識
LLM-RG: 大規模言語モデルを用いた屋外シーンにおける参照表現のグラウンディング
屋外運転シーンで自然言語の参照表現(例:「右側の黒い車」)が指す物体を特定するため、視覚言語モデルで属性を抽出し、大規模言語モデルで推論するハイブリッド手法を提案。Talk2Carベンチマークで大幅な精度向上を達成。
原題: LLM-RG: Referential Grounding in Outdoor Scenarios using Large Language Models / Pranav Saxena, Avigyan Bhattacharya, Ji Zhang 他
日本語で読む → - 論文VLA画像認識
NinA: 正規化フローによるVLAモデルの高速化
VLAモデルの行動デコーダに正規化フローを導入し、拡散モデルと同等の性能を保ちつつ推論を高速化した研究。
原題: NinA: Normalizing Flows in Action. Training VLA Models with Normalizing Flows / Denis Tarasov, Alexander Nikulin, Ilya Zisman 他
日本語で読む → - 論文VLAAI
方策最適化を超えて:疎報酬長期的計画のためのデータキュレーションフライホイール
疎報酬の長期的エージェント計画に対し、ブートストラップ・外挿・洗練の3段階で自己改善するデータフライホイールを構築し、トークン効率よく最先端性能を達成した研究。
原題: Beyond Policy Optimization: A Data Curation Flywheel for Sparse-Reward Long-Horizon Planning / Yutong Wang, Pengliang Ji, Kaixin Li 他
日本語で読む → - 論文VLAロボティクス
Long-VLA:ロボットマニピュレーションのための長期的タスクに挑む視覚言語行動モデル
長期的なロボット操作タスクに特化した初のエンドツーエンドVLAモデルを提案し、フェーズ認識入力マスキングでサブタスクの連携を改善、新ベンチマークL-CALVINで評価した。
原題: Long-VLA: Unleashing Long-Horizon Capability of Vision Language Action Model for Robot Manipulation / Yiguo Fan, Pengxiang Ding, Shuanghao Bai 他
日本語で読む → - 論文VLAロボティクス
CAST: 反事実ラベルによる視覚言語行動モデルの指示追従性向上
視覚言語モデルを用いて既存のロボットデータセットに反事実ラベルを付与し、言語指示への追従性能を向上させる手法を提案。
原題: CAST: Counterfactual Labels Improve Instruction Following in Vision-Language-Action Models / Catherine Glossop, William Chen, Arjun Bhorkar 他
日本語で読む → - 論文VLAロボティクス
Genie Envisioner:ロボット操作のための統合ワールド基盤プラットフォーム
指示条件付き動画拡散モデルを核に、方策学習・評価・シミュレーションを一つの動画生成フレームワークへ統合した基盤を提案し、軽量デコーダで行動軌跡を生成、専用ベンチマークも整備した。
原題: Genie Envisioner: A Unified World Foundation Platform for Robotic Manipulation / Yue Liao, Pengfei Zhou, Siyuan Huang 他
日本語で読む → - 論文VLAロボティクス
Affordance-R1: マルチモーダル大規模言語モデルにおける汎化可能なアフォーダンス推論のための強化学習
強化学習(GRPO)と認知Chain-of-Thoughtを統合し、ロボットが物体の操作可能領域を推論するアフォーダンス・グラウンディングをゼロショットで汎化可能にした初の統一フレームワーク。
原題: Affordance-R1: Reinforcement Learning for Generalizable Affordance Reasoning in Multimodal Large Language Model / Hanqing Wang, Shaoyang Wang, Yiming Zhong 他
日本語で読む → - 論文VLAロボティクス
GhostShell: 具現化システムにおける並行行動プログラミングのためのストリーミングLLM関数呼び出し
LLMの生成ストリームから関数呼び出しを逐次解析し、マルチチャネルスケジューリングで複数ロボットコンポーネントの並行・並列動作を実現する手法を提案。実機33タスクで有効性を検証した。
原題: GhostShell: Streaming LLM Function Calls for Concurrent Embodied Programming / Jian Gong, Youwei Huang, Bo Yuan 他
日本語で読む → - 論文VLAロボティクス
FlowVLA: 視覚的思考連鎖による動作推論を用いた視覚-言語-行動モデル
未来フレーム予測の前にオプティカルフローで動作を推論するVisual CoTを導入し、物理的に妥当な予測と高効率なロボット操作を実現した。
原題: FlowVLA: Visual Chain of Thought-based Motion Reasoning for Vision-Language-Action Models / Zhide Zhong, Haodong Yan, Junfeng Li 他
日本語で読む → - 論文VLAロボティクス
物理制約下で人間の価値観に沿う対話型ロボット
LLMを搭載したロボットが、家庭内タスクを人間の好みと物理的制約の両方を考慮して実行できるよう、人間のフィードバックからの文脈内学習(ICLHF)フレームワークを提案し、ベンチマークで有効性を示した。
原題: In-situ Value-aligned Human-Robot Interactions with Physical Constraints / Hongtao Li, Ziyuan Jiao, Xiaofeng Liu 他
日本語で読む → - 論文VLAロボティクス
MLLMベースの視覚強化学習による少数ショット視覚的人間活動認識
マルチモーダル大規模言語モデルに視覚強化学習を適用し、少数のサンプルで人間活動認識の汎化性能と説明可能性を向上させる手法FAVORを提案。
原題: Few-shot Vision-based Human Activity Recognition with MLLM-based Visual Reinforcement Learning / Wenqi Zheng, Yutaka Arakawa
日本語で読む → - 論文VLA画像認識
大規模視覚言語モデルによる経路指示追従:低レベル行動空間とパノラマ行動空間の比較
市販の大規模視覚言語モデルQwen2.5-VL-3BをR2Rデータセットでファインチューニングし、低レベル行動空間とパノラマ行動空間の両方で視覚言語ナビゲーションの性能を評価・比較した。
原題: Following Route Instructions using Large Vision-Language Models: A Comparison between Low-level and Panoramic Action Spaces / Vebjørn Haug Kåsene, Pierre Lison
日本語で読む → - 論文VLAロボティクス
ExploreVLM:視覚言語モデルによる閉ループロボット探索タスクプランニング
視覚言語モデルを活用し、自己反省型の二段階プランナーと物体中心の空間関係グラフ、実行検証による閉ループ機構で、ロボットの対話的探索とリアルタイム再計画を実現したフレームワーク。
原題: ExploreVLM: Closed-Loop Robot Exploration Task Planning with Vision-Language Models / Zhichen Lou, Kechun Xu, Zhongxiang Zhou 他
日本語で読む → - 論文VLAロボティクス
身体性マニピュレーションのための視覚-言語-行動モデルに関するサーベイ
身体性知能におけるロボット操作のための視覚-言語-行動(VLA)モデルについて、アーキテクチャの変遷やデータセット、学習手法、評価方法を5つの観点から整理し、課題と今後の方向性をまとめたサーベイ論文。
原題: Survey of Vision-Language-Action Models for Embodied Manipulation / Haoran Li, Yuhui Chen, Wenbo Cui 他
日本語で読む → - 論文VLAロボティクス
HyCodePolicy:身体性エージェントにおけるマルチモーダル監視と意思決定のためのハイブリッド言語コントローラ
自然言語指示からコードを生成し、視覚言語モデルによる実行監視とコード修復を組み合わせて、ロボット操作タスクを自己修正しながら遂行するハイブリッド制御フレームワークを提案。
原題: HyCodePolicy: Hybrid Language Controllers for Multimodal Monitoring and Decision in Embodied Agents / Yibin Liu, Zhixuan Liang, Zanxin Chen 他
日本語で読む → - 論文VLAロボティクス
大規模モデルが拓く身体性AI:意思決定と身体性学習に関するサーベイ
大規模モデルを活用した身体性AIの研究を、階層型・端到端の意思決定と模倣学習・強化学習、さらに世界モデルまで含めて体系的に整理したサーベイ。
原題: Large Model Empowered Embodied AI: A Survey on Decision-Making and Embodied Learning / Wenlong Liang, Rui Zhou, Yang Ma 他
日本語で読む → - 論文VLA画像認識
MonoDream:パノラマドリーミングによる単眼視覚言語ナビゲーション
単眼入力のみでパノラマRGB-D相当の空間表現を潜在空間で学習し、視覚言語ナビゲーションの性能を向上させる軽量VLAフレームワークを提案。
原題: MonoDream: Monocular Vision-Language Navigation with Panoramic Dreaming / Shuo Wang, Yongcai Wang, Zhaoxin Fan 他
日本語で読む → - 論文VLAロボティクス
EO-1: 汎用ロボット制御のためのオープンな統合身体性基盤モデル
視覚・言語・行動を統合的に扱う基盤モデルEO-1と150万件のデータセットEO-Data1.5Mを提案し、多様なロボットでの長期的な器用マニピュレーションを実現した。
原題: EO-1: An Open Unified Embodied Foundation Model for General Robot Control / Delin Qu, Haoming Song, Qizhi Chen 他
日本語で読む → - 論文VLAロボティクス
RICL: 事前学習済み視覚-言語-行動モデルへの文脈内適応性の付与
模倣学習で事前学習されたVLAモデルに、少数の実演データを用いた追加学習で文脈内学習能力を後付けし、パラメータ更新なしで新しいマニピュレーションタスクを教えられるようにした。
原題: RICL: Adding In-Context Adaptability to Pre-Trained Vision-Language-Action Models / Kaustubh Sridhar, Souradeep Dutta, Dinesh Jayaraman 他
日本語で読む → - 論文VLAロボティクス
D3P: 強化学習による動的デノイジング拡散ポリシー
拡散ポリシーの推論時、各行動に必要なデノイジングステップ数を状態に応じて動的に割り当てる軽量アダプタを強化学習で最適化し、成功率を維持しつつ最大2.2倍の高速化を実現した。
原題: D3P: Dynamic Denoising Diffusion Policy via Reinforcement Learning / Shu-Ang Yu, Feng Gao, Yi Wu 他
日本語で読む → - 論文VLAロボティクス
構造化ビヘイビアツリーと大規模言語モデルによる解釈可能なロボット制御
大規模言語モデルとビヘイビアツリーを組み合わせ、自然言語指示をロボットの実行可能な行動に変換するフレームワークを提案し、実環境で約94%の認識・実行精度を達成した。
原題: Interpretable Robot Control via Structured Behavior Trees and Large Language Models / Ingrid Maéva Chekam, Ines Pastor-Martinez, Ali Tourani 他
日本語で読む → - 論文VLAAI
IRL-VLA:逆強化学習報酬ワールドモデルによる視覚言語行動ポリシーの訓練
逆強化学習で軽量な報酬ワールドモデルを構築し、PPOによる閉ループ強化学習でVLAポリシーを訓練する手法を提案。NAVSIM v2ベンチマークで最先端性能を達成。
原題: IRL-VLA: Training an Vision-Language-Action Policy via Reward World Model / Anqing Jiang, Yu Gao, Yiru Wang 他
日本語で読む → - 論文VLA画像認識
WeatherPrompt: 全天候ドローン視覚的自己位置推定のためのマルチモーダル表現学習
大規模マルチモーダルモデルで天候をテキスト化し、画像特徴と融合することで天候に不変なドローン位置推定を実現した研究。
原題: WeatherPrompt: Multi-modality Representation Learning for All-Weather Drone Visual Geo-Localization / Jiahao Wen, Hang Yu, Zhedong Zheng
日本語で読む → - 論文VLAナビゲーションロボティクス
CorrectNav: 自己修正フライホイールによる視覚言語行動ナビゲーションモデルの強化
訓練中の誤り軌道を自己修正データに自動変換して再学習を繰り返す「自己修正フライホイール」を提案し、単眼RGBベースのVLAナビゲーションモデルCorrectNavでR2R-CEとRxR-CEの成功率を大幅に更新した。
原題: CorrectNav: Self-Correction Flywheel Empowers Vision-Language-Action Navigation Model / Zhuoyuan Yu, Yuxing Long, Zihan Yang 他
日本語で読む → - 論文VLAロボティクス
拡散ポリシーのためのリアルタイム反復スキーム
最適制御のリアルタイム反復法を応用し、前時刻の解を初期値に使うことで拡散ポリシーの推論を高速化する手法を提案。蒸留や再設計なしで大規模モデルにも適用可能。
原題: Real-Time Iteration Scheme for Diffusion Policy / Yufei Duan, Hang Yin, Danica Kragic
日本語で読む → - 論文VLAロボティクス
Triple-S: ロボティクスにおける長期的含意タスクを解く協調型マルチLLMフレームワーク
複数のLLMが簡略化・解決・要約の役割を分担する閉ループで協調し、ロボット制御の長期的含意タスクの成功率と頑健性を高めるフレームワークを提案。
原題: Triple-S: A Collaborative Multi-LLM Framework for Solving Long-Horizon Implicative Tasks in Robotics / Zixi Jia, Hongbin Gao, Fashe Li 他
日本語で読む →
PR・アフィリエイト広告
