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: 2025/8/1 / 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
視覚基盤モデルと強化学習の統合による物体インタラクションの強化
SAMとYOLOv5をPPOエージェントに組み込み、AI2-THOR環境での物体操作とナビゲーション性能を大幅に向上させた。
原題: Integrating Vision Foundation Models with Reinforcement Learning for Enhanced Object Interaction / Ahmad Farooq, Kamran Iqbal
日本語で読む → - 論文VLAロボティクス
動画生成器はロボットポリシーである
動画生成をロボットポリシー学習の代理として用いる「Video Policy」を提案し、少ない実演データで未知の物体・背景・タスクへの汎化性能とサンプル効率を大幅に向上させた。
原題: Video Generators are Robot Policies / Junbang Liang, Pavel Tokmakov, Ruoshi Liu 他
日本語で読む → - 論文VLAロボティクス
身体性を持つエージェントAIに向けて:LLM・VLM駆動のロボット自律性とインタラクションのレビューと分類
LLMやVLMをロボットに統合する研究を調査し、エージェントの役割やモデル統合手法を分類するタクソノミーを提案したサーベイ論文。
原題: Towards Embodied Agentic AI: Review and Classification of LLM- and VLM-Driven Robot Autonomy and Interaction / Sahar Salimpour, Lei Fu, Kajetan Rachwał 他
日本語で読む → - 論文VLAロボティクス
ロボットマニピュレーションのための大規模VLMベース視覚-言語-行動モデル:サーベイ
大規模視覚言語モデルを基盤とした視覚-言語-行動(VLA)モデルによるロボットマニピュレーション研究を、アーキテクチャの分類や関連分野との統合、今後の方向性を含めて初めて体系的にレビューしたサーベイ論文。
原題: Large VLM-based Vision-Language-Action Models for Robotic Manipulation: A Survey / Rui Shao, Wei Li, Lingsen Zhang 他
日本語で読む → - 論文VLAロボティクス
GraphCoT-VLA:曖昧な指示に対応する3D空間認識推論型視覚言語行動モデル
曖昧な指示や未知環境に対応するため、構造化Chain-of-Thought推論とリアルタイム更新可能な3Dポーズ・物体グラフを統合したロボットマニピュレーション向けVLAモデルを提案。
原題: GraphCoT-VLA: A 3D Spatial-Aware Reasoning Vision-Language-Action Model for Robotic Manipulation with Ambiguous Instructions / Helong Huang, Min Cen, Kai Tan 他
日本語で読む → - 論文VLA画像認識
SegDAC: 動的オブジェクトトークンによる強化学習の視覚的汎化
テキスト誘導セグメンテーションで物体マスクを抽出し、可変長のオブジェクトトークン列をTransformerベースのActor-Criticで処理する強化学習手法を提案。視覚条件が変化するテスト時でも高い汎化性能を示した。
原題: SegDAC: Visual Generalization in Reinforcement Learning via Dynamic Object Tokens / Alexandre Brown, Glen Berseth
日本語で読む → - 論文VLAAI
スケールアップしても薄まらない:RLベース汎用計画のためのゴール認識スパースGNN
PDDLで記述された計画問題を強化学習とグラフニューラルネットワークで解く際、状態を全結合グラフで表すと大規模環境で情報が薄まり学習が困難になる問題に対し、局所関係とゴール関連の空間特徴を選択的に符号化するスパースでゴール認識型のGNN表現を提案し、大規模グリッドでのドローンミッション計画で有効性を示した。
原題: Scaling Up without Fading Out: Goal-Aware Sparse GNN for RL-based Generalized Planning / Sangwoo Jeon, Juchul Shin, Gyeong-Tae Kim 他
日本語で読む → - 論文VLAロボティクス
情報理論的グラフ融合と視覚言語行動モデルによる方策推論と双腕ロボット制御
人間のRGB-D動画から手と物体の重要度を情報理論的に抽出し、時系列シーングラフと言語条件付きTransformerで双腕ロボットのタスク方策を生成・実行するGF-VLAを提案。
原題: Information-Theoretic Graph Fusion with Vision-Language-Action Model for Policy Reasoning and Dual Robotic Control / Shunlei Li, Longsen Gao, Jin Wang 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ロボティクス
カメラ空間で行動を接地する観測中心の視覚-言語-行動ポリシー
ロボットの手先姿勢をロボット基準座標系ではなくカメラ座標系で予測するOC-VLAを提案し、視点変化への汎化とタスク成功率を改善した。
原題: Grounding Actions in Camera Space: Observation-Centric Vision-Language-Action Policy / Tianyi Zhang, Haonan Duan, Haoran Hao 他
日本語で読む → - 論文VLAロボティクス
FedVLA: 二重ゲーティングMoEによる連合視覚言語行動学習
データプライバシーを守りつつ分散学習する初の連合VLAフレームワークを提案し、指示に基づくシーン解析と二重ゲーティングMoE、専門家駆動型集約で効率的なロボットマニピュレーションを実現した。
原題: FedVLA: Federated Vision-Language-Action Learning with Dual Gating Mixture-of-Experts for Robotic Manipulation / Cui Miao, Tao Chang, Meihan Wu 他
日本語で読む → - 論文VLAロボティクス
AgriVLN: 農業ロボットのための視覚と言語によるナビゲーション
四足歩行ロボットによる農業シーンの視覚言語ナビゲーション用ベンチマークA2Aと、VLMベースのAgriVLNを提案し、指示分解モジュールで成功率を改善した。
原題: AgriVLN: Vision-and-Language Navigation for Agricultural Robots / Xiaobei Zhao, Xingqi Lyu, Xiang Li
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ロボティクス
見て行動することを学ぶ:ロボットマニピュレーションのためのタスク認識型仮想視点探索
再構成したシーンからタスクに適した仮想カメラ視点を選んで観測を再描画し、タスク特化型のMixture-of-Experts視覚エンコーダと組み合わせることで、遮蔽や視覚的分布シフトに頑健な多タスクロボット操作を実現した。
原題: Learning to See and Act: Task-Aware Virtual View Exploration for Robotic Manipulation / Yongjie Bai, Zhouxia Wang, Yang Liu 他
日本語で読む → - 論文VLAロボティクス
潜在ポリシーバリア:分布内に留まることで堅牢な視覚運動ポリシーを学習する
専門家デモの潜在表現を障壁として扱い、拡散ポリシーとダイナミクスモデルを組み合わせて、追加の人間修正なしに視覚運動ポリシーの堅牢性とデータ効率を向上させるフレームワークを提案。
原題: Latent Policy Barrier: Learning Robust Visuomotor Policies by Staying In-Distribution / Zhanyi Sun, Shuran Song
日本語で読む → - 論文VLA画像認識
TTF-VLA: 視覚言語行動モデルのためのピクセル注意統合による時間トークン融合
VLAモデルが各時刻で独立に視覚入力を処理し時間情報を捨てている問題に対し、履歴と現在の視覚表現を選択的に融合する学習不要の手法を提案し、操作タスクの成功率を向上させた。
原題: TTF-VLA: Temporal Token Fusion via Pixel-Attention Integration for Vision-Language-Action Models / Chenghao Liu, Jiachen Zhang, Chengxuan Li 他
日本語で読む → - 論文VLA画像認識
AR-VRM: 類推推論による視覚ロボット操作のための人間動作模倣
人間の動作動画から手のキーポイントを予測するVLMを事前学習し、ロボット微調整時に人間とロボットの対応関係を類推推論で学習することで、視覚ロボット操作の性能を向上させた研究。
原題: AR-VRM: Imitating Human Motions for Visual Robot Manipulation with Analogical Reasoning / Dejie Yang, Zijing Zhao, Yang Liu
日本語で読む → - 論文VLAロボティクス
AimBot: 視覚運動ポリシーの空間認識を高める簡易補助視覚キュー
多視点RGB画像に照準線とスコープを重ねてエンドエフェクタの状態を明示し、視覚運動ポリシーの性能を向上させる軽量な視覚拡張手法を提案。
原題: AimBot: A Simple Auxiliary Visual Cue to Enhance Spatial Awareness of Visuomotor Policies / Yinpei Dai, Jayjun Lee, Yichi Zhang 他
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 → - 論文VLA画像認識
離散拡散VLA:視覚言語行動ポリシーの行動デコーディングに離散拡散を導入
行動チャンクを離散化し、統合トランスフォーマー内で離散拡散により並列デコーディングするVLAを提案。適応的なデコーディング順序と再マスキングで誤り訂正を行い、LIBEROやSimplerEnvで高い成功率と事前学習能力の保持を実現した。
原題: Discrete Diffusion VLA: Bringing Discrete Diffusion to Action Decoding in Vision-Language-Action Policies / Zhixuan Liang, Yizhuo Li, Tianshuo Yang 他
日本語で読む → - 論文VLAロボティクス
近接場通信と融合する身体性エッジ知能:概念・設計・検証
大規模モデルをロボット近傍のエッジで動かす身体性エッジ知能と、超大規模アンテナアレイを用いる近接場通信を統合し、両者を協調最適化する枠組みを提案・検証した論文。
原題: Embodied Edge Intelligence Meets Near Field Communication: Concept, Design, and Verification / Guoliang Li, Xibin Jin, Yujie Wan 他
日本語で読む → - 論文VLAロボティクス
人間中心の汎用物理知能によるアジャイル製造自動化
VLAモデルを中心に、汎用物理知能(GPI)の概念を整理し、アジャイル製造への実用化に向けた課題と展望を6つの柱で体系的にレビューした。
原題: Human Centric General Physical Intelligence for Agile Manufacturing Automation / Sandeep Kanta, Mehrdad Tavassoli, Varun Teja Chirkuri 他
日本語で読む → - 論文VLAcs.SE
視覚言語モデルによる産業用自律移動ロボットのテスト
産業用AMRの安全要件を違反する多様な人間行動をVLMで生成し、シミュレータ上でロボットの不確実な挙動を明らかにするテスト手法RVSGを提案した。
原題: Vision Language Model-based Testing of Industrial Autonomous Mobile Robots / Jiahui Wu, Chengjie Lu, Aitor Arrieta 他
日本語で読む → - 論文VLAロボティクス
OpenMap: オープン語彙視覚言語マッピングによる指示のグラウンディング
自由形式の言語指示を3Dシーン内の特定物体に結びつけるゼロショットの視覚言語マップを提案し、ナビゲーションタスクでの指示グラウンディング精度を向上させた。
原題: OpenMap: Instruction Grounding via Open-Vocabulary Visual-Language Mapping / Danyang Li, Zenghui Yang, Guangpeng Qi 他
日本語で読む → - 論文VLAロボティクス
ReconVLA:再構成型視覚-言語-行動モデルによる効果的なロボット知覚
視覚的注意を対象領域に正しく向けるため、注視領域を再構成する拡散トランスフォーマを組み込んだVLAモデルを提案し、精密操作と汎化性能を実証した。
原題: ReconVLA: Reconstructive Vision-Language-Action Model as Effective Robot Perceiver / Wenxuan Song, Ziyang Zhou, Han Zhao 他
日本語で読む → - 論文VLAロボティクス
視覚言語モデルを行動モデルとして用いた意図認識と支援
VLMとLLMを組み合わせて人間の指示から対象物や場所を絞り込み、ロボットが意図を素早く推論してナビゲーションやマニピュレーションを支援するフレームワークを提案した。
原題: Utilizing Vision-Language Models as Action Models for Intent Recognition and Assistance / Cesar Alan Contreras, Manolis Chiou, Alireza Rastegarpanah 他
日本語で読む → - 論文VLAロボティクス
INTENTION:対話的直感と接地されたVLMによるヒューマノイドロボット動作の傾向推論
視覚言語モデルによるシーン推論と対話駆動型メモリを統合し、新しい環境でも人間のように直感的に操作行動を推論できるロボットフレームワークを提案。
原題: INTENTION: Inferring Tendencies of Humanoid Robot Motion Through Interactive Intuition and Grounded VLM / Jin Wang, Weijie Wang, Boyuan Deng 他
日本語で読む → - 論文VLAロボティクス
見えない指示もお任せ:対話的質問によるマルチモーダルな直示参照解決
音源定位・意味地図・VLM・GPT-4oによる対話的質問を組み合わせ、ロボットの視野外にいるユーザーや物体への曖昧な指示を解決するフレームワークMIELを提案した。
原題: Take That for Me: Multimodal Exophora Resolution with Interactive Questioning for Ambiguous Out-of-View Instructions / Akira Oyama, Shoichi Hasegawa, Akira Taniguchi 他
日本語で読む →
PR・アフィリエイト広告
