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: 2026/10/16 ／ 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
閉ループ最適化によるVLAモデルへの視覚タスク誘導攻撃の強化
VLAモデルに対する視覚的攻撃を閉ループで最適化するTRACOを提案し、攻撃軌道上の実状態に合わせて教師信号を再構築することでタスク誘導の成功率を向上させた。
原題: Enhancing Visual Task-Redirection Attacks on Vision-Language-Action Models via Closed-Loop Optimization ／ Chunjin Ye, Guanying Chen, Jianjie Huang 他
日本語で読む → - 論文VLAロボティクス
見てから動け：能動的知覚と視覚言語行動モデルを観測整合データ適応で橋渡し
能動的なカメラ移動で得た視点からVLAポリシーを微調整するデータ適応手法ActiveAlignを提案し、遮蔽物のある操作成功率を大きく改善した。
原題: Look Before You Act: Bridging Active Perception and Vision-Language-Action Models via Observation-Aligned Data Adaptation ／ Jiawei Geng, Zhenyang Liu, Yuzheng Wu 他
日本語で読む → - 論文VLAロボティクス
成功率を超えて：視覚言語行動システムにおける記憶の介入評価
VLAシステムの記憶が実際に意思決定に寄与するかを、事実置換や微小摂動などの介入実験で検証する評価プロトコルIMEPを提案し、記憶の効果と条件を分析した。
原題: Beyond Success Rate: Interventional Evaluation of Memory in Vision-Language-Action Systems ／ Keyuan Luo, Yi Xie, Wanyun Ling 他
日本語で読む → - 論文VLAロボティクス
言語・行動・世界モデルを統合するエージェント型フィジカル知能フレームワークLAW
視覚言語モデルとワールドアクションモデルをサブタスク進捗で閉ループ統合し、長期的なロボットマニピュレーションを実現した研究。RoboTwinで94%超の成功率を達成。
原題: LAW: Unifying Language, Action, and World Modeling for Agentic Physical Intelligence ／ Jiajun Cao, Kai Tang, Bohua Zhang 他
日本語で読む → - 論文VLAロボティクス
モデルからポリシーへの定式化による身体性基盤モデルの統一
VLAモデルと世界行動モデルを確率カーネルに基づく共通の枠組みで捉え、事前学習からポリシー展開までを統一的に記述する定式化を提案した論文。
原題: Unifying Embodied Foundation Models via a Model-to-Policy Formulation ／ Xinyi Hong, Mingyang Ren
日本語で読む → - 論文VLAロボティクス
VLA-Fabric：複数アームVLAエージェントのための学習的相互作用による協調
各アームに独立したVLAモデルを持たせ、ポリシー境界を越えた学習的相互作用で協調動作を実現する手法を提案し、3〜4本アームの実機実験で成功率を16〜40ポイント向上させた。
原題: VLA-Fabric: Learning Interaction for Composable Multi-Arm VLA Agents ／ Chenglong Zhang, Shuaijun Liu, Feiyang You 他
日本語で読む → - 論文VLA画像認識
俯瞰視点トークンによる効率的な空間推論
深度とカメラ姿勢を用いて各フレームの視覚特徴を共通のBEV座標に集約し、固定グリッドのBEVトークンで映像MLLMの空間推論を効率化した研究。
原題: Thinking from Above: Efficient Spatial Reasoning with Bird's-Eye-View Visual Tokens ／ Faizan Siddiqui, Nirav Savaliya, Sahith Reddy Chada 他
日本語で読む → - 論文VLA転移ロボティクス
身体性分類器ガイダンス：実演なしで凍結VLAを異なるロボットダイナミクスへ転移
凍結したフローベース方策π0を新たな身体に適応させるため、軽量な身体性分類器を学習し、その勾配でデノイジング過程を誘導する手法を提案。LIBEROベンチマークで成功率を72%から80%に向上させた。
原題: Embodiment-Classifier Guidance: Transferring Frozen VLAs Across Robot Dynamics without Demonstrations ／ Devin Han, Hershraj Niranjani
日本語で読む → - 論文VLAAI
不一致度に基づく弱モデルから強モデルへのルーティング
正解ラベルなしで弱いモデルと強いモデルの応答の不一致度を測り、必要なときだけ強いモデルに振り分けるルーティング手法を提案。
原題: Disagreement-Guided Weak-to-Strong Routing ／ Sima Noorani, Shayan Kiyani, George Pappas 他
日本語で読む → - 論文VLAロボティクス
TS-WAM: 視覚言語ロボット制御のための時間的潜在行動と世界行動結合
行動ラベルなしの動画も活用し、未来の視覚状態を予測しながら操作行動を生成する軽量な教師-生徒型ワールドアクションモデルを提案。
原題: TS-WAM: Temporal Latent Actions and World-Action Coupling for Vision-Language Robot Control ／ Menghao Yin, Jiaju Yin, Xiyue Dong 他
日本語で読む → - 論文VLAロボティクス
潜在遷移メモリ：視覚言語行動モデルのための文脈内記憶
連続する観測間の潜在遷移として履歴を保存するLTMを提案し、π0.5に適用したLTM-πが記憶特化の注釈や外部推論モデルなしでロボット操作タスクの成功率を大幅に向上させることを示した。
原題: LTM: Latent Transition Based In-Context Memory for Vision-Language-Action Models ／ Qixin Sun, WenLong Gao, Xiansheng Chen 他
日本語で読む → - 論文VLAロボティクス
ロボット政策は何を予測すべきか？視覚-言語-行動学習における監督目標の再考
VLA政策の学習で、行動予測だけでなく潜在行動や未来視覚の予測に訓練サンプルを配分すると、同じ予算でも性能が向上することを示し、予測対象の違いが何を学ぶかに影響することを分析した。
原題: What Should Robot Policies Learn to Predict? Rethinking Supervision Targets in Vision-Language-Action Learning ／ Haitao Shen, Hanyu Liu, Yihan Lin 他
日本語で読む → - 論文VLA画像認識
統一因果学習下で世界モデルと行動モデルは相互に利益をもたらすか？
行動を条件とした世界予測と政策学習を同一の映像・行動アーキテクチャで統合するOneWMを提案し、世界モデリングと行動生成が相互に性能を高め合うことを実機実験を含めて示した。
原題: Can World and Action Modeling Benefit Each Other under Unified Causal Training? ／ Yue Su, Bokai Lin, Xinkai Wang 他
日本語で読む → - 論文VLAロボティクス
手順支援メモリを備えた能動的ロボットのためのエージェントフレームワーク
VLMとVLAを組み合わせ、ユーザーの日常パターンを手順支援メモリとして学習・更新することで、先回りして適切な支援を行うロボットエージェントを提案した論文。
原題: An Agentic Framework for Proactive Robots with Procedural Assistance Memory ／ Dohyun Lee, Minho Park, Jeonghoon Park 他
日本語で読む → - 論文VLA画像認識
VLA-Δ: 視覚言語行動モデルのための物理状態遷移学習
現在と未来の状態間の物理的変化を明示的な学習目標として用いるVLAフレームワークを提案し、大規模データセットと状態遷移アノテーションを構築して、ロボット操作性能を向上させた。
原題: VLA-$Δ$: Learning Physical State Transition for Vision-Language-Action Models ／ Qi Lu, Jiarun Li, Ce Zhang 他
日本語で読む → - 論文VLAロボティクス
KODA: 人間の一人称視点デモからヒューマノイド学習のための運動学と観測データの整合
一人称視点の人間デモを、再利用可能な正準軌道を介してロボット視点の観測と全身状態行動ラベルに変換し、ヒューマノイドVLAポリシーの学習データを生成する手法を提案。
原題: KODA: Kinematics--Observation Data Alignment for Humanoid Learning from Human Egocentric Demonstration ／ Zibo Zhou, Yueru Chen, Junsong Wu 他
日本語で読む → - 論文VLAロボティクス
X-Fly: 全チャンク空中視覚言語ナビゲーションにおける到達と停止の学習
空中VLNで予測行動チャンクをまとめて実行する際の停止失敗を解決するため、Recovery DAggerとFlow-GRPOによる段階的学習法を提案し、成功率を大幅に向上させた。
原題: X-Fly: Learning to Reach and Stop in Full-Chunk Aerial Vision-Language Navigation ／ Ruibin Ju, Ruifeng Cai, Min Xu 他
日本語で読む → - 論文VLAロボティクス
GPT-6-Astraは身体知能を獲得したのか
GPT-6-Astraを12のベンチマークで大規模評価し、操作・移動・器用な手などで高い性能を示す一方、実機展開ではICL用デモ収集コストや実行時間と成功率のトレードオフなどの課題を明らかにした報告。
原題: Has GPT-6-Astra Achieved Embodied Intelligence? ／ SenseNova, Joint Research Team, : 他
日本語で読む → - 論文VLAロボティクス
3Dガウシアン言語マップの訓練不要なターゲット認識リファインメント
既存の3Dガウシアン言語マップに対し、ユーザー指定ターゲットを確実に位置特定するため、訓練不要でターゲット領域の埋め込みをテキスト埋め込みと最小限にブレンドする手法を提案。
原題: Training-Free Target-Aware Refinement of 3D Gaussian Language Map ／ Sibaek Lee, Kyeongsu Kang, Seongbo Ha 他
日本語で読む → - 論文VLAロボティクス
Fast-VLA: ロボット操作のための一度だけ考えるVLA
タスク理解をエピソード開始時に一度だけ大規模VLMで計算し固定メモリとして保持、実行中は軽量アクターが視覚・固有感覚フィードバックで行動を生成することで、推論を10倍以上高速化したVLA手法。
原題: Fast-VLA: You Only Think Once for Robot Manipulation ／ Kehong Gong, Guanli Hou, Xiaoxu Zheng 他
日本語で読む → - 論文VLA画像認識
VLAモデルは本当に指示に従うのか？Howレベル指示追従の診断
VLAモデルが「どうやるか」というHowレベル指示に従えるかを診断し、現状では従えず成功率が下がることを示した。セグメント単位の指示で訓練すると反応性は向上するが、難しい指示や分布外指示には対応できない新ベンチマークSIMPLER-INを提案。
原題: Do VLAs Really Follow Instructions? Diagnosing How-Level Instruction Following in Vision-Language-Action Models ／ Sangwu Park, Wonjoong Kim, Yeonjun In 他
日本語で読む → - 論文VLAロボティクス
いつ助けを求めるべきか：デュアルシステムVLAにおける低速モジュールスケジューリングの決定理論的枠組みと測定基準
デュアルシステム型VLAモデルで低速モジュールを呼び出すタイミングを「介入価値(VoI)」として定式化し、適応的トリガーと固定スケジュールを統一的に評価する測定プロトコルを提案した論文。
原題: When to Ask for Help: A Decision-Theoretic Account and Measurement Standard for Slow-Module Scheduling in Dual-System Vision-Language-Action Models ／ Shilin Zhang
日本語で読む → - 論文VLA画像認識
知覚・予測・計画：自己中心的な巧みな操作のための統合ワールドアクションモデル
動画から手の動きとカメラ軌道を再構成し、行動に基づく未来映像を生成し、言語指示と目標から行動軌跡とその結果を計画する3モードを統合したモデルを提案。
原題: Perceive, Predict, and Plan: a Unified World Action Model for Egocentric Dexterous Manipulation ／ Zirui Wu, Chen Guo, Tianjian Jiang 他
日本語で読む → - 論文VLAロボティクス
VLA行動チャンク実行のためのポリシー整合型予測検証
VLAポリシーが生成した行動列のうち、どこまで実行すべきかを、将来予測を用いてタスク継続可能性を評価することで判断する検証器を提案した論文。
原題: Policy-Aligned Predictive Verification for Adaptive VLA Action-Chunk Execution ／ Minkyu Kim, Junhoo Lee, Seungyeon Kim 他
日本語で読む → - 論文VLAロボティクス
フローベース視覚言語行動モデルのためのマルチティーチャー・オン・ポリシー蒸留
複数の専門家VLAモデルの知識を、生徒モデル自身が生成する行動軌跡上で速度監督する2段階オン・ポリシー蒸留により、1つの共有ポリシーへ統合する手法を提案した。
原題: Multi-Teacher On-Policy Distillation for Flow-Based Vision-Language-Action Models ／ Lichao Ni, Yuhan Liu, Pengfei Li 他
日本語で読む → - 論文VLAロボティクス
計画変更を記憶の合図に：VLAモデルのための再計画誘導型視覚メモリ
VLAポリシーの再計画時の予測不一致を検知して重要な視覚情報だけをメモリに保存する手法を提案し、長期タスクでの記憶保持性能を実機でも検証した。
原題: When Plans Change, Remember: Replanning-Guided Visual Memory for Vision-Language-Action Models ／ Victoria Smelova, Daniil Kazachkov, Georgiy Kazantsev 他
日本語で読む → - 論文VLA機械学習
OS-Helix: ネイティブなコンピュータ操作エージェントにおけるGUI操作とコード実行の統合
GUI操作とコード実行を単一の行動空間で扱うマルチモーダルなコンピュータ操作エージェントを提案し、ハイブリッドデータでのSFTと実環境でのオンラインRLにより性能を大幅に向上させた。
原題: OS-Helix: Unifying GUI Interaction and Code Execution in Native Computer-Using Agents ／ Bowen Yang, Kaiming Jin, Zichen Ding 他
日本語で読む → - 論文VLAロボティクス
LICOA: 移動型空間拡張現実のための指示条件付き光学行動学習
言語指示と視覚観測から投影光の移動・配置・スケールを決定する光学行動を学習し、実環境での閉ループ実行で有効性を示した。
原題: LICOA: Learning Instruction-Conditioned Optical Actions for Mobile Spatial Augmented Reality ／ Yuchen Deng, Shunkai Zhou, Ruixuan Zhu 他
日本語で読む → - 論文VLAロボティクス
FastVLA：タスク条件付き時間適応型視覚トークン圧縮による効率的なVision-Language-Actionモデル
VLAモデルの推論効率を改善するため、タスクに応じて視覚トークンの重要度を評価し、時間的に適応的な圧縮率を設定する訓練不要のフレームワークを提案。シミュレーションと実機で遅延を削減しつつタスク成功率を維持する。
原題: FastVLA: Task-Conditioned and Temporally Adaptive Visual Token Compression for Efficient Vision-Language-Action Models ／ Jiuyi Xu, Chengyuan Qian, Zhengzhong Tu 他
日本語で読む → - 論文VLAロボティクス
CarryOn: 個別化と信頼性を両立するロボット支援のための二重ループハーネス
凍結したVLAポリシーを拡張し、ユーザー嗜好を反映した計画と安全監視・失敗回復を組み合わせて、個別化された信頼性の高いロボット支援を実現する二重ループシステムを提案。
原題: CarryOn: A Dual-Loop Harness for Personalized and Reliable Robot Assistance ／ Zixuan Wang, Yuqi Liu, Yuxin Chen 他
日本語で読む →