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
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VLAロボティクス
フロンティアVLMは記憶依存型マニピュレーションのロボットポリシーになれるか
凍結した大規模視覚言語モデルGPT-6-Astraをそのままロボットポリシーとして記憶依存型マニピュレーション16タスクで評価し、人間のスコアを上回る92.1%の成功率を達成した。
原題: Can a Frontier VLM Serve as a Robot Policy for Memory-Dependent Manipulation? ／ Jack B. Jedlicki, Amish Sethi, Heng Yang
日本語で読む → - 論文VLAロボティクス
聴いてから行動せよ：音声条件付きロボットマニピュレーションListenVLA
音声を条件にロボットのマニピュレーションを行うVLAモデルListenVLAを提案し、音に基づく目標選択や聴覚イベントへの反応などを評価するベンチマークLIBERO-Audioを構築した。
原題: Listen Before Act: Audio-Conditioned Robot Manipulation with ListenVLA ／ Jiaqi Fan, Rui Xu, Jiakun Xia 他
日本語で読む → - 論文VLAロボティクス
Language2Drive：自動運転におけるVision-Language-Actionモデルは本当に指示に従うのか？
自動運転VLAモデルが自然言語指示に従って運転行動を変えられるかを検証するベンチマークLanguage2Driveを提案し、運転能力は高い一方で言語による行動制御が著しく弱いことを示した。
原題: Language2Drive: Do Vision-Language-Action Models Really Follow the Instructions in Autonomous Driving? ／ Zihan You, Zehua Fan, Wenqi Lyu 他
日本語で読む → - 論文VLAロボティクス
D-World: 明示的な世界-言語-行動モデルと二重制御下での再帰的自己改善
知覚エージェントがシーンを実行可能なデジタルツインとして書き出し、計画エージェントがシミュレーション内で行動を探索・修正する明示的な世界-言語-行動モデルを提案。測定に基づく修正サイクルを再帰的自己改善として定式化し、実機-シミュレーション-実機ループで検証する。
原題: D-World: An Explicit World-Language-Action Model with Recursive Self-Improvement under Dual Control ／ Xuan Wen, Baichao Wang
日本語で読む → - 論文VLAロボティクス
同じ目標、異なる言葉：ワールドアクションモデルにおける空間指示の感度
ワールドアクションモデルが、同じ空間目標を異なる言い回しで指示した場合に一貫して操作を維持できるかを評価し、言い換えが成功率を低下させることを示した。
原題: Same Goal, Different Words: Spatial Instruction Sensitivity in World-Action Models ／ Ali-Adeeb Abbas, Esmaeil Seraj, Behrad Toghi 他
日本語で読む → - 論文VLAロボティクス
World Action Modelのクロスタスク汎化を制限するものは何か
World Action Modelの未来予測を逆動力学モデルで検証し、失敗がグリッパーと相互作用幾何に集中することを突き止め、生成未来を行動に整合させるVITA損失を提案した。
原題: What Limits Cross-Task Generalization in World Action Models? ／ Chen Zhao, Zipeng Ye, Yihan Lin 他
日本語で読む → - 論文VLAロボティクス
命令型言語モデルから宣言的反応型ロボット行動を生成する
LLMが苦手とする宣言的反応型プログラミングを、専門家が設計したガイドラインと文脈を与えることでロボット行動生成に応用し、対話的な改良と一括生成の両方を実現した。
原題: Declarative Reactive Robot Behaviors from Imperative Language Models ／ Vincent Berenz, Tasha Kim, Bernhard Schölkopf
日本語で読む → - 論文VLAロボティクス
身体能力発見のための記号的抽象化上の生成的フロー
ロボットの身体に即した実行可能なタスクを生成フローネットワークで自動発見し、その方策を蒸留して未知の複雑・長期的タスクの性能を向上させるフレームワークFOSAを提案。
原題: Generative Flow on Symbolic Abstractions for Embodiment Capability Discovery ／ Youwei Yu, Lantao Liu
日本語で読む → - 論文VLAAI
RAP-WAM: 予測リハーサルと行動摂動によるワールドアクションモデルの学習
映像生成の事前知識を活用し、予測リハーサルと行動摂動を組み合わせてロボットの行動を学習する手法を提案。実機タスクで高い成功率を達成。
原題: RAP-WAM: Learning World-Action Models through Predictive Rehearsal and Action Perturbations ／ Yuanpeng He, Ceyao Zhang, Fangjing Li 他
日本語で読む → - 論文VLAロボティクス
UniLAP：クロスエンボディメント操作のための統合潜在行動ポリシー
流れマッチングで連続潜在行動をモデル化し、外観に依存しない運動表現を抽出することで、多様なロボット形態に適応可能な操作ポリシーを実現した。
原題: UniLAP: A Unified Latent Action Policy for Cross-Embodiment Manipulation ／ Lei Yao, Qiao Feng, Mutian Tong 他
日本語で読む → - 論文VLAロボティクス
信頼度で校正されたVLAポリシーの進化する想像による事後学習
VLAモデルのRL事後学習で、シミュレータの信頼度に応じて想像データの使用量を調整し、効率的かつ安定に性能を高めるMERLを提案。
原題: Trust-Calibrated VLA Policy Post-Training with Evolving Imagination ／ Wenzhan Li, Yiran Qin, Heng Zhou 他
日本語で読む → - 論文VLAロボティクス
FlowVLA：プラガブルな3Dフロー学習による世界ダイナミクス理解の実現
訓練時のみ3Dフローを活用するプラガブルな学習フレームワークを提案し、2DのVLAモデルに物理的な動作ダイナミクスの理解を付与してロボットマニピュレーションの性能を高めた。
原題: FlowVLA: Enabling World Dynamics Understanding through Pluggable 3D Flow Learning ／ Junhyeong Go, Mingyu Jung, Woobin Im 他
日本語で読む → - 論文VLA機械学習
DR-APO: 分離表現アドバンテージ誘導方策最適化 — 連続制御から身体性ナビゲーションまで
方策改善と方策表現を分離し、ガウス・拡散・フローマッチング方策に共通の最適化原理を与えるDR-APOを提案。MuJoCoタスクと実世界ナビゲーションで有効性を示した。
原題: DR-APO: Decoupled-Representation Advantage-Guided Policy Optimization from Continuous Control to Embodied Navigation ／ Runhua Zhang, Yingjie Niu, Chao Li
日本語で読む → - 論文VLAロボティクス
身体性スキルベンチマーク：身体性スキルを持つエージェントの物理タスク性能を評価する
ロボットを制御するLLMエージェント向けに、身体性の前提と使用条件を明示した250のスキルを構築し、閉ループで性能を評価するベンチマークEmbodiedSkillBenchを提案。スキルは能力の補完に有効だが、強いエージェントにはコスト削減の役割に変わることを示した。
原題: Embodied Skill Bench: Benchmarking How Well Agents with Embodied Skills Perform on Physical Tasks ／ Zhi Han, Zihan Guo, Chenxi Zeng 他
日本語で読む → - 論文VLA画像認識
MARS: ワールドアクションモデルの多段階高速化フレームワーク
ワールドアクションモデルの推論を、Transformer計算・拡散ノイズ除去・連続クエリの3段階で冗長性を除去し、学習なしで最大4倍高速化する手法を提案。
原題: MARS: Systematic Multi-Level Acceleration for World Action Models ／ Zengyuan Zuo, Yongchang Zhang, Guangyu Zhao 他
日本語で読む → - 論文VLA画像認識
スパイキングニューラルネットワークによるイベントベース視覚位置認識の計算ボトルネック解消
2層SNNとSTDP学習で重みを二値化・枝刈りし、CPUキャッシュ上で数十マイクロ秒で動作するイベントベース視覚位置認識を実現した。
原題: Removing the Compute Bottleneck for Event-based Visual Place Recognition with Spiking Neural Networks ／ Somayeh Hussaini, Tobias Fischer, Michael Milford
日本語で読む → - 論文VLA画像認識
VLA-GAUGE：Vision-Language-Actionモデルの汎化性とロバスト性を体系的に評価するフレームワーク
VLAモデルのゼロショット汎化と摂動ロバスト性を診断する統一評価フレームワークを提案し、12モデルを評価して診断に基づく微調整が性能を大幅改善することを示した。
原題: VLA-GAUGE: Systematically Evaluating Generalization and Robustness in Vision-Language-Action Models ／ Jun Xiao, Rui Ye, Dong Cao 他
日本語で読む → - 論文VLAcs.LO
Vision-Predictor-Action：神経記号的JEPA予測器による効率的な身体性AIに向けて
自己回帰的なLLMデコーダの代わりに軽量な潜在制御ループとJEPA予測器、フローマッチングを用いてロボットの行動チャンクを生成し、推論遅延を抑えつつLIBERO-10で初期検証した論文。
原題: Vision-Predictor-Action: Towards Efficient Embodied AI via Neuro-Symbolic JEPA Predictors ／ Yeonseok Lee
日本語で読む → - 論文VLA画像認識
1Step-WAM: 1ステップ行動生成による高速ワールドアクションモデル
ワールドアクションモデルの多段階行動ノイズ除去を1回の順伝播に圧縮し、視覚プリフィリングと並列実行することで推論を最大24.84倍高速化した手法。
原題: 1Step-WAM: Your World Action Model but Faster using 1-Step Action Generation ／ Rundong Su, Pengtao Chen, Haohan Geng 他
日本語で読む → - 論文VLA機械学習
ObsSpec: 観測投機によるエージェント強化学習の高速化
ツール使用エージェントの強化学習において、小さな世界モデルでツール出力を予測し、環境実行中に次の生成を先取りすることで、ロールアウト収集を損失なく高速化する手法を提案。
原題: ObsSpec: Accelerating Agentic Reinforcement Learning with Observation Speculation ／ Kyle Montgomery, Wang Zhang, Chenguang Wang
日本語で読む → - 論文VLAロボティクス
Δフローマッチング：ロボット基盤モデルのための効率的生成
過去の履歴をノイズ付きで初期分布に用いるΔフローを提案し、VLAやWAMの学習・推論を大幅に高速化しつつ動作の滑らかさと汎化性能を向上させた。
原題: $Δ$ Flow Matching for Robot Foundation Models ／ Kuangji Zuo, Tuo An, Xinying Guo 他
日本語で読む → - 論文VLAロボティクス
量子化条件付き強化学習による視覚言語行動ポリシーの低ビット故障回復
VLAポリシーの量子化で生じる性能低下を、進捗に基づくオフライン強化学習で回復させる手法QCRLを提案し、実機実験で有効性を示した。
原題: Recovering Low-Bit Failures in Vision-Language-Action Policies via Quantization-Conditioned Reinforcement Learning ／ Seongmin Park, Jaewon Lee, Yujun Heo 他
日本語で読む → - 論文VLAロボティクス
CoLA: 学習済みアダプタによる複数VLAの協調
各エージェントのVLAを凍結し、軽量なメッセージチャネルと拡散行動ヘッドを学習させることで、情報が私的な場合にのみ明示的通信が有効となる分散協調手法を提案。
原題: CoLA: Multi-VLA Coordination via Learned Adapters ／ Ahaskar Kashyap, Jiawen Zong, Boyu Ma 他
日本語で読む → - 論文VLA画像認識
ペルシア語視覚言語行動データセットと曖昧性・実行不能性を考慮した指示から計画へのグラウンディングベンチマーク
実環境の写真230枚に対する258件のペルシア語指示と参照計画を収録し、曖昧性・実行不能性ラベルや質問応答ペアを付与した初のデータセットを構築。検索拡張や連鎖的思考などの手法を比較評価する新指標PGOS-FAを提案した。
原題: A Persian Vision-Language-Action Dataset and Benchmark for Ambiguity- and Infeasibility-Aware Instruction-to-Plan Grounding ／ Abdollah Pourasghari, Saeedeh Sadat Sadidpour, Mohammad Roustaei
日本語で読む → - 論文VLA画像認識
FireNav: 屋内火災環境における視覚言語ナビゲーションのための意思決定指向の再構成証拠ルーティング
屋内火災環境での視覚言語ナビゲーションにおいて、画像復元をナビゲーションの意思決定に役立つ形で活用するため、復元特徴を補助証拠として選択的に取り込むルータと意思決定効用キャリブレーションを提案し、専用ベンチマークFireVLN-Benchを構築した。
原題: FireNav: Decision-Oriented Reconstruction Evidence Routing for Vision-Language Navigation in Indoor Fire Environments ／ Hongbo Ding, Xiang Chen, Jiangxin Dong 他
日本語で読む → - 論文VLAロボティクス
StreamingWAM: チャンク単位の階段状フローマッチングによるストリーミングワールドアクションモデリング
動画生成ワールドモデルを基盤とするロボット制御において、チャンク単位のノイズラダーとプレフィックスロールアウト、密な動画履歴メモリを組み合わせ、滑らかで低遅延なストリーミング拡散制御を実現した。
原題: StreamingWAM: Streaming World Action Modeling via Chunk-Wise Staircase Flow Matching ／ Shaojie Ren, Jingwen Sun, Zezhi Liu 他
日本語で読む → - 論文VLAAI
言葉から世界へ：対話型物理環境におけるLLMのベンチマーク
ロボットアームやカメラ、センサーを接続した実世界システムをLLMに操作させ、物理フィードバックを解釈しながら行動を適応させる能力を評価するベンチマークを提案した。
原題: Words to World: Benchmarking LLMs in Interactive Physical Environments ／ Xinnan Dai, Kaiqi Yang, Yaxin Li 他
日本語で読む → - 論文VLA自然言語
PVFH-Bench: 視覚言語モデルにおける前提誘発性視覚固着幻覚のベンチマーク
視覚言語モデルが誤ったテキスト前提に引きずられ、存在しない物体を幻覚する新たな失敗モードを測定するベンチマークを提案し、10モデルで脆弱性を実証した。
原題: PVFH-Bench: Benchmarking Premise-Induced Visual Fixation Hallucinations in Vision-Language Models ／ Xinhao Wang, Junbo Cui, Zhenghao Liu 他
日本語で読む → - 論文VLAロボティクス
BridgeWAM: 潜在ブリッジクエリによる映像・行動エキスパートの橋渡し
映像と言語・固有感覚の情報を32個の潜在ブリッジクエリで共有空間に集約し、超軽量な行動ヘッドで高精度かつ高速なロボット操作を実現した手法。
原題: BridgeWAM: Bridging Video and Action Experts via Latent Bridge Queries ／ Jiaxin Fang, Ruitong Liu, Zeyu Lai 他
日本語で読む →