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: 2026/10/13 ／ 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
身体性を持つSystem 2の全タスク実行サイクルにわたる系統的研究に向けて
視覚観察に基づく計画・実行・回復を評価するベンチマークSCOPERを提案し、証拠記憶と進捗検証を組み合わせたハーネスでタスク成功率を改善した。
原題: Towards a Systematic Study of Embodied System 2 over Full Task Execution Cycles ／ Yuxi Wei, Ye Fang, Shuai Yang 他
日本語で読む → - 論文VLAロボティクス
レジスタを介した行動生成：世界行動モデルにおける空間外れ値の再編成
世界行動モデルの表現に現れる高ノルムな空間外れ値に着目し、学習可能な非空間レジスタを導入して行動条件付けに用いるRegisterWAMを提案。観測フローマッチング損失と組み合わせることで外れ値を抑制し、LIBERO-PlusやRoboTwin 2.0で高い成功率を達成した。
原題: Acting Through Registers ／ Yiwei Zhang, Yantai Yang, Jin Gao 他
日本語で読む → - 論文VLAロボティクス
平均からの脱却：診断的思考連鎖と構造的ガイダンスによるロボットマニピュレーションの収束的デフォルトの克服
VLAモデルが訓練データの平均的な行動に収束してしまう問題に対し、パラメータ更新なしでデフォルト行動を特定し、診断的推論と構造化プロンプトで修正する手法を提案。
原題: Breaking the Average: Overcoming Convergent Defaults in Robotic Manipulation via Diagnostic Chain-of-Thought and Structured Guidance ／ Mohammed Daba, Waleed Abdulrahman Saleh AlAkwa
日本語で読む → - 論文VLAロボティクス
ChunkAct: エージェント型ロボティクスのためのアクションチャンキング
LLMエージェントによるロボット制御で、記憶を元に連続したプリミティブ動作をチャンク化して実行し、LLM呼び出しを削減しつつタスク成功率を向上させる手法を提案。
原題: ChunkAct: Action Chunking for Agentic Robotics ／ Bingxin Xu, Wenrui Bao, Xinxin Liu 他
日本語で読む → - 論文VLAロボティクス
SEAR: 自己進化するエージェント型ロボティクス
言語モデルエージェントがロボット制御コードを書き、テストし、スキルや記憶として蓄積する枠組みとベンチマークを提案し、学習の持続性や新タスクへの転移、実機での性能を評価した。
原題: SEAR: Self-Evolving Agentic Robotics ／ Xinyi Wang, Bangzheng Li, Hanyu Wang 他
日本語で読む → - 論文VLA画像認識
MemAct: 記憶と能動的探索によるストリーミング空間理解
視覚言語モデルが履歴記憶を書き込み・検索し、移動や旋回で追加観察を行いながら、ストリーミングに空間理解と質問応答を行うフレームワークを提案。
原題: MemAct: Streaming Spatial Understanding with Memory and Active Exploration ／ Yuxi Wei, Wei Huang, Qirui Chen 他
日本語で読む → - 論文VLAロボティクス
UniW(A)M：世界モデルと世界行動モデルを統合するMixture-of-Expertsフレームワーク
拡散TransformerとMixture-of-Expertsを用いて、行動条件付き世界モデリングと多様な世界行動モデルを単一フレームワークに統合し、実世界マニピュレーションで高い成功率を達成した研究。
原題: UniW(A)M: A Unified Mixture-of-Experts Framework for World and World-Action Models ／ Jingbo Xu, Jianjie Fang, Zhuohang Li 他
日本語で読む → - 論文VLAロボティクス
Box-WAM: 世界行動モデルのためのコンパクトな状態表現としてのボックス軌道
ロボット操作のための世界行動モデルにおいて、未来の全フレーム動画予測の代わりに、タスク関連物体の向き付きバウンディングボックスの軌道を予測することで、計算コストを大幅に削減しつつ行動予測性能を向上させる手法を提案した。
原題: Box-WAM: Box Trajectories as Compact State Representations for World Action Models ／ Qinxi Yu, Wenzhou Ding, Gloria X. Wang 他
日本語で読む → - 論文VLAロボティクス
ForkCast: 反事実的未来予測による視覚言語行動ポリシーの復旧
凍結したVLAポリシーに対し、行動継続・視点変更・軌道再計画の候補を世界モデルで予測比較し、失敗検出器なしで介入の要否と方法を決める復旧フレームワーク。
原題: ForkCast: Predictive Recovery for Vision-Language-Action Policies via Counterfactual Futures ／ Chenru Wen, Huajian Zeng, Haokai Ding 他
日本語で読む → - 論文VLAAI
TacitVLA: 推論レイテンシなしで動作する推論型Vision-Language-Actionモデル
推論テキストを行動生成に条件付けず、バックボーン表現の改善のみに活用することで、推論の性能向上を保ちつつ最大3.4倍低レイテンシを実現したVLAモデル。
原題: TacitVLA: Reasoning Vision-Language-Action Models Without Reasoning Latency ／ Jack Lu, Yurong You, Boyi Li 他
日本語で読む → - 論文VLAロボティクス
自律型地球観測エージェントのための行動的自己監視：属性信頼性モニター（ARM）
言語・視覚言語モデルを用いた自律システムの信頼性を監視するため、時間経過とともに疑わしさの証拠を蓄積して個々の意味属性を評価するフレームワークARMを提案し、衛星熱赤外画像用の視覚言語モデルで評価した。
原題: Behavioural self-monitoring for autonomous earth observation agents: The attribute reliability monitor (ARM) ／ Alejandro D. Mousist
日本語で読む → - 論文VLAロボティクス
EmbodiedEvo：物理的知能のための自己改善型コーディングエージェント
コーディングエージェントが単一のPlaygroundシーンでのフィードバックを通じて再利用可能なスキルと教訓を進化させ、それを多様な新シーンに適用することで物理タスクの成功率を高める手法を提案。
原題: EmbodiedEvo: Self-improving Coding Agents for Physical Intelligence ／ Wenyi Li, Yizhe Chi, Youjie Zheng 他
日本語で読む → - 論文VLAロボティクス
LoopWAM: 実運用ロールアウトによる閉ループ汎用方策改善
成功・失敗が混在する実運用ロールアウトから直接学習する世界行動モデルを提案し、品質を考慮した監督と並列デノイジングで方策を反復改善する。
原題: LoopWAM: Closed-Loop Generalist Policy Improvement from Deployment Rollouts ／ Wenxuan Guo, Yingping Liang, Zhaoguo Wang 他
日本語で読む → - 論文VLAロボティクス
MemoryVLN: 自己認識型メモリ表現から視覚言語ナビゲーションにおける文脈横断的メモリ再利用へ
長期的な視覚言語ナビゲーションの履歴を圧縮し、自己中心的な空間情報を含むメモリを構築・管理・再利用する統合ナビゲーションシステムを提案。
原題: MemoryVLN: From Ego-Aware Memory Representation to Cross-Context Memory Reuse in Vision-Language Navigation ／ Xueyao Wei, Yifei Wang, Delun Li 他
日本語で読む → - 論文VLAAI
ABot-ER：エージェント型データ・モデル共進化による統合的身体推論
知覚・計画・実行を単一モデルで統合し、データ戦略とモデルを共進化させる自己進化エンジンとタスク条件付き適応学習により、12ベンチマークで最先端性能を達成した身体推論基盤モデル。
原題: ABot-ER: Unified Embodied Reasoning through Agentic Data-Model Co-Evolution ／ Qiuyu Ding, Heng-Da Xu, Changda Xia 他
日本語で読む → - 論文VLAロボティクス
LIBERO-RIG：視覚言語行動モデルのためのハードウェア設定ロバスト性ベンチマーク
ロボットのハードウェアと設定のみを摂動させ、タスクを固定したベンチマークLIBERO-RIGを提案し、9つの視覚言語行動モデルを評価して性能劣化を統計的に分析した。
原題: LIBERO-RIG: A Hardware-Setup Robustness Benchmark for Vision-Language-Action Models ／ Andrea Yaoyun Cui, Hanyu Wang, Xinyi Wang 他
日本語で読む → - 論文VLA画像認識
Plan-Bench：既存VLMは身体性世界での推論と計画にどこまで対応できるか
身体性AIの高レベルプランナーとしてのVLMの推論・多段階計画能力を、行動実行の影響を切り離して評価するベンチマークPlan-Benchを提案し、28モデルを評価した。
原題: Plan-Bench: Can Existing VLMs Go Well Beyond Perception to Reason and Plan in Embodied Worlds? ／ Juntong Feng, Qingan Liu, Jingru Dong 他
日本語で読む → - 論文VLAロボティクス
MIND: 指示条件付き依存関係によるロボットの漸進的グラウンディング
言語指示を依存関係にコンパイルし、環境変化時に影響を受ける判断だけを更新することで、全再計算と同じ意思決定を保ちながら意味評価回数を削減するフレームワークを提案。
原題: MIND: Instruction-Conditioned Incremental Grounding for Robots ／ Mohamed Abouagour, Junhyun Nam, Wonse Jo 他
日本語で読む → - 論文VLAロボティクス
WAVE-0: 軽量な潜在未来予測でVLA方策と世界行動モデルを橋渡し
事前学習済みVLAに軽量な潜在世界モデルを組み合わせ、将来予測を行動生成に直接活用することで、ロボットマニピュレーション性能を大幅に向上させた研究。
原題: WAVE-0: Bridging VLA Policies and WAMs with Lightweight Latent Future Prediction ／ Haomin Wang, Anqiong Ji, Ke Wang 他
日本語で読む → - 論文VLAロボティクス
月面ローバー自律ドッキングのためのEnd-to-End視覚言語行動ポリシー
月面という極端な照明環境下でのローバー自律ドッキングに向け、視覚言語行動モデルによるEnd-to-Endポリシーを構築し、高忠実度シミュレータで安全志向の専門家デモを生成して、従来のモジュール型ナビゲーションと性能を比較した。
原題: End-to-End Vision-Language-Action Policies for Autonomous Lunar Rover Docking ／ Sitan Huang, Grace Gao
日本語で読む → - 論文VLAロボティクス
少数の人間動画から方策をステアチューニング
100時間の一人称視点人間データで拡散方策を事前学習し、新タスクの5つの人間デモで2分間微調整して、逆サンプリング時に近い観測のデモで行動を誘導することで、新環境でのタスク成功率71%を達成した。
原題: Steertuning Policies from a Few Human Videos ／ Billy Yan, Isaac Tu, Kelly Lee 他
日本語で読む → - 論文VLAcs.CR
DPOison-VL：視覚言語DPOにおけるクリーンな選好ポイズニング
視覚言語モデルのDPO学習データに対し、ごく一部の画像に知覚不能な摂動を加えるだけで、プロンプトや応答を改変せずにモデルの選好を攻撃者の意図に誘導できる新たな攻撃手法を提案した。
原題: DPOison-VL: Clean Preference Poisoning in Vision-Language Direct Preference Optimization ／ Chengtao Jian, Kai Yang
日本語で読む → - 論文VLAロボティクス
人間とVLAのコミュニケーションギャップ：人間が暗黙に残す情報とポリシーが復元できないもの
人間が自然にタスクを指示する際の暗黙的な情報の欠落と、VLAポリシーがそれをどう補えないかを「情報ギャップ」と「実行ギャップ」に分けて分析した研究。
原題: The Human--VLA Communication Gap: What Humans Leave Implicit and What Policies Cannot Recover ／ Yiqing Xu, Jiajun Wu
日本語で読む → - 論文VLAロボティクス
WoVR+：幻覚に強い世界モデルによるVLAポリシーの強化学習最適化
VLAモデルの強化学習において、幻覚を抑えた世界モデルをシミュレータとして用い、長期的タスクでも安定してポリシーを最適化する手法を提案。実機タスクの成功率を大幅に向上させた。
原題: WoVR+: World Model as Reliable Simulator for Versatile VLA Policy Optimization with RL ／ Shangqing Zhou, Zhennan Jiang, Ning Ma 他
日本語で読む → - 論文VLAロボティクス
PACER: 人間の修正から学ぶプロセス認識型VLA方策によるロボット分解
ロボット分解において、人間の修正と方策自身の試行を活用し、進捗とトレースの出所・結果で重み付けするSFTフレームワークPACERを提案。UR5eでのマザーボード分解で成功率を54%から87%に向上させた。
原題: PACER: Process-Aware VLA Policy Learning from Human Corrections for Robotic Disassembly ／ Chang Liu, Sibo Tian, Litian Gong 他
日本語で読む → - 論文VLA画像認識
マルチモーダル大規模言語モデルの空間推論におけるデータ中心的理解に向けて
マルチモーダル大規模言語モデルの空間推論を改善するためのファインチューニング手法とデータセット構築・評価方法を調査したサーベイ論文。
原題: Towards a Data-Centric Understanding of Spatial Reasoning in Multimodal Large Language Models ／ Mahdieh Mallahnezhad, Masoud Jafaripour, Mohamadali Tofigh 他
日本語で読む → - 論文VLAロボティクス
適応手法の選び方：Vision-Language-Actionモデルのためのデータ別ガイド
VLAモデルの適応手法を、オン/オフポリシーデータやオフライン/オンライン適応などのデータ条件で比較し、状況に応じた最適な手法選択の指針を示した。
原題: Post-Training, Finetuning, and Steering:A Field Guide for Curating Training Data ／ Maria Attarian, Yifan Ruan, Claas Voelcker 他
日本語で読む → - 論文VLAロボティクス
EqC: 自己認識的な生涯ロボット学習のための平衡エネルギー制御
生成的行動の洗練を平衡探索最適化として捉え、その過程のエネルギー整合性から方策の能力限界を検知して専門家介入を促す、生涯学習フレームワークを提案。
原題: EqC: Equilibrium Energy Control for Introspective Lifelong Robot Learning ／ Haodong Yang, Runhan Huang, Bowen Zhang 他
日本語で読む → - 論文VLAAI
参照文の言い回しがロボットタスク指示の検索に与える影響
RLBenchの指示文を用い、参照文の選択や表現方法がタスク検索精度にどう影響するかを訓練不要の手法で評価した。
原題: Reference Wording Shapes Retrieval of Robot Task Instructions ／ Jahnavi Yelamanchi
日本語で読む → - 論文VLAロボティクス
PrT-Flow: 確率計算可能なフローマッチングによる強化学習
各サンプリングステップを可逆にすることで確率密度を計算可能にしたフローマッチング手法を提案し、模倣学習と強化学習の両方でロボット操作タスクに成功した。
原題: PrT-Flow: Probability-Tractable Flow Matching for Reinforcement Learning ／ Congzhong Sun, Ning Tan
日本語で読む →