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: 2026/10/10 ／ 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
テスト時検証付きVLAポリシーのためのフローサポート重み付き提案
VLAモデルのテスト時サンプリングで候補が冗長になる問題を「提案収縮」と名付け、訓練時にフローサポートで重み付けした追加軌道でポリシーを補正するADSを提案し、候補の多様性と検証性能を向上させた。
原題: Flow-Support-Weighted Proposals for Test-Time Verified VLA Policies ／ Chen Zhao, Zipeng Ye, Haitao Shen 他
日本語で読む → - 論文VLAAI
OGPO: 復帰可能なVision-Language-Actionモデルのためのオフライン目標条件付き方策最適化
VLAモデルの事後学習を、軌道レベルの模倣から意味的キー状態への到達可能性学習へと転換するオフライン目標条件付き方策最適化フレームワークを提案し、オンライン対話なしで外乱からの復帰能力と堅牢性を向上させた。
原題: OGPO: Offline Goal-conditioned Policy Optimization for Recoverable Vision-Language-Action Models ／ Xule Gao, Xi Wang, Zehua Zang 他
日本語で読む → - 論文VLAロボティクス
Reflect-VLA: 二重経路オンポリシー自己蒸留による反射的ガイダンスの内部化で自律運転を実現
自律運転VLAモデルにおいて、反射的ガイダンスを訓練時の特権情報として扱い、二重経路オンポリシー自己蒸留でその計画能力を内部化する手法を提案。推論時は単一パスで軌道生成が可能。
原題: Reflect-VLA: Internalizing Reflective Guidance via Dual-Path On-Policy Self-Distillation for Autonomous Driving ／ Yuechen Luo, He Chong, Fang Li 他
日本語で読む → - 論文VLA画像認識
World Action Modelsに必要な視覚表現とは何か
World Action Modelにおける視覚表現・統合機構・特徴量の組み合わせを体系的に比較し、汎用視覚表現とチャネル単位の同時予測が有効であることを示した上で、最適な構成をR²-WAMとして実装した論文。
原題: What Visual Representations Do World Action Models Need? ／ Kai Liu, Jiangran Lyu, Tingyu Deng 他
日本語で読む → - 論文VLAロボティクス
LeapBot-JAC: ワールドアクションモデルのためのジョイントアクションチェーン
固定のアクショントークン予算内で、将来制御の参照チェーンと実行チェーンを1つの共有アクションエキスパートに割り当てて同時にデノイズする手法を提案し、LIBEROや実機タスクで成功率を向上させた。
原題: LeapBot-JAC: Joint Action Chains for World Action Models ／ Chenhao Zhu, Baibing Liu, Pei Liu 他
日本語で読む → - 論文VLAロボティクス
VLA適応のためのノイズ空間学習
事前学習済みVLAモデルを固定したまま、ノイズ分布を学習してタスクに適応させる手法を提案し、PPO・SAC・AWRで実装してシミュレーションと実機で評価した。
原題: Noise Space Learning for VLA Adaptation ／ Junjie Lu, Chuheng Zhang, Yucen Wang 他
日本語で読む → - 論文VLAロボティクス
順方向ダイナミクスモデル
未来予測を行動特徴に条件付けることで、推論時に未来生成を省略しつつ、真の未来状態で方策を学習させるロボット行動モデルを提案した。
原題: Forward Dynamics Models ／ Zipei Ma, Junzhe Jiang, Jiahui Zhang 他
日本語で読む → - 論文VLAロボティクス
証拠誘導型反事実学習によるロボット政策の長尾分布対応
視覚言語行動政策において長尾タスク分布に対処するため、指示と行動に関連する視覚証拠を特定し、反事実予測を利用してタスク指示・視覚証拠・行動の関連を強化する学習フレームワークを提案。
原題: Evidence-Guided Counterfactual Learning for Long-Tailed Robotic Policies ／ Weiwei Chen, Chenghao Xu, Meiling Yu 他
日本語で読む → - 論文VLA画像認識
LAPT-Scale：人間動画の潜在行動事前学習による身体性ポリシーのスケーリング
人間の一人称視点動画から連続潜在行動を学習し、それを事前学習に用いることでロボットポリシーの性能をスケールさせ、実機成功率を63.3%から85.0%に向上させた。
原題: LAPT-Scale: Scaling Embodied Policies with Latent Action Pre-Training on Human Videos ／ Zhiyuan Xiang, Peidong Liu, Mingyang Li 他
日本語で読む → - 論文VLAロボティクス
JoyInside-VLM-Agent：製品条件付きマルチモーダル方策学習による身体性エージェント
製品制約や目標変更に対応するReAct型マルチモーダルエージェントを構築し、サンドボックス軌道生成と段階的な方策学習（SFT・蒸留・DPER付きRL）で訓練、BFCL v4や実機四足ロボットで有効性を示した。
原題: JoyInside-VLM-Agent: Product-Conditioned Multimodal Policy Learning for Embodied Agents ／ Gangyi Li, LuYao Wang, Jingfu Sun 他
日本語で読む → - 論文VLAロボティクス
クロノスポリシー：物理時間に基づくロボット政策の学習
観測時刻と行動実行時刻を明示的に条件付け、時間認識型RoPEを導入することで、可変レートや遅延に頑健な拡散トランスフォーマーポリシーを実現した。
原題: Chronos Policy: Learning Robot Policies on Physical Time ／ Changhao Wang, Jaden Clark, Shuran Song
日本語で読む → - 論文VLAロボティクス
JitterVLA：VLA駆動型ヒューマンロボット操作における動作品質のためのリプレイベンチマーク
VLAポリシーが出力する指令の遅延・不規則な到着によるロボットの急激な動きを評価するため、同一指令と到着履歴を異なる制御器で再生するベンチマークJitterVLAを提案し、補間がジャークを大幅に低減することを合成・人間・実機で検証した。
原題: JitterVLA: A Replay Benchmark for Motion Quality in VLA-Driven Human-Robot Manipulation ／ Faith Ogunwoye, Didar Seyidov, Konstantin Gubernatorov 他
日本語で読む → - 論文VLAロボティクス
行動を超えて：視覚-言語-行動モデルのための将来操作目標の学習
ロボットの行動予測に代えて、将来の物理的効果を予測するAFCEを提案。視覚-言語-行動モデルに効果トークンを導入し、巧みな両腕操作タスクで成功率を向上させた。
原題: Beyond Actions: Learning Future Operation Targets for Vision-Language-Action Models ／ Min Lin, Bokai Zhou, Jianqi Lin 他
日本語で読む → - 論文VLAロボティクス
VLMはネイティブな行動モデルである：明示的行動空間グラウンディングによる操作能力の解放
VLMの視覚・空間推論能力を、ツール中心点を基準にした行動フレームを手首カメラ画像に投影しテキスト生成として行動を表現することで、追加の行動モジュールやロボット行動事前学習なしに直接操作行動を生成できるようにしたフレームワークEASGを提案。
原題: VLMs are Native Action Models: Unleashing the Manipulation Capabilities of VLMs with Explicit Action-Space Grounding ／ Jingkun Yi, Shujie Zhang, Zirui Zhou 他
日本語で読む → - 論文VLAロボティクス
RESCUE: その警報は介入に値するか？VLAランタイムモニタの反事実評価
ロボット方策の失敗監視モニタについて、警報に従って介入することが本当にタスク完了コストを下げるかを、シミュレータ状態を復元して代替行動を比較する反事実フレームワークRESCUEで評価した。
原題: RESCUE: Is This Alarm Worth Acting On? Counterfactual Evaluation of VLA Runtime Monitors ／ David Ahmedt-Aristizabal, Abdelwahed Khamis, Mohammad Ali Armin 他
日本語で読む → - 論文VLAロボティクス
BT-Agent: ビヘイビアツリーとマルチフィデリティ評価によるオンボードロボットエージェントの展開
LLMによるタスク判断とビヘイビアツリーのスキルを組み合わせ、限られた計算資源で四足歩行ロボット上にオンボードで動作するエージェントを実現し、161タスクのマルチフィデリティベンチマークで評価した。
原題: BT-Agent: Deploying Onboard Robot Agents with Behavior Trees and Multi-Fidelity Evaluation ／ Fabio Hübel, Adam Lilja, Yue Yin 他
日本語で読む → - 論文VLAロボティクス
Splat2Act: 撮影シーンから個別最適化されたVLAマニピュレーションへ
スマホで撮影した室内環境と物体画像から3D Gaussian Splattingでデジタルツインを構築し、把持タスクのデモを自動生成してVLA方策を個別環境に適応させるreal-to-sim-to-realパイプライン。
原題: Splat2Act: From Captured Scenes to Personalized VLA Manipulation ／ Xiaomeng Ye, Krishna Jaganathan, Gyubeum Lim 他
日本語で読む → - 論文VLAロボティクス
夢で覚える：世界モデルによる汎用ロボット方策の継続的ステアリング
凍結した汎用ロボット方策を、事前学習済み世界モデルによる想像ロールアウトでリハーサルしながら継続的に新タスクへ誘導し、破滅的忘却を防ぐ手法D2Rを提案。
原題: Dream to Remember: Continual Steering of Generalist Robot Policies with World Models ／ Bahey Tharwat, Iman Nematollahi, Marvin Alles 他
日本語で読む → - 論文VLAロボティクス
視覚言語行動ポリシーのためのデュアルストリーム記憶
VLAポリシーに、履歴を圧縮する時間ストリームと関連フレームを保持する検索ストリームの二重記憶を持たせ、記憶依存のマニピュレーション性能を向上させた研究。
原題: Dual-Stream Memory for Vision-Language-Action Policies ／ Yang Wang, Ping Liu, Ruiyu Wang 他
日本語で読む → - 論文VLAロボティクス
キュレーション不要の記憶：ロボットポリシーのためのマルチストリーム潜在記憶学習
視覚・行動・固有感覚などの複数ストリームを潜在記憶に圧縮し、推論時に逐次更新することで、低遅延かつショートカット学習を避けつつVLAモデルを長期記憶で拡張するフレームワークIMPRINTを提案。
原題: Memory Without Curation: Learning Multi-Stream Latent Memory for Robot Policies ／ Yilin Wu, Rutav Shah, Shuaiyi Huang 他
日本語で読む → - 論文VLAロボティクス
Axiom-0: 視覚-言語-行動ポリシーのための階層的自己洗練
VLAモデルにおいて、VLM内部表現と行動生成インターフェースを階層的に自己洗練させることで、未知のタスク構成での成功率を向上させた研究。
原題: Axiom-0: Hierarchical Self-Refinement for Vision-Language-Action Policies ／ Renbin Shu, Jing Yang, Xiangyuan You 他
日本語で読む → - 論文VLA画像認識
EV-JEPA: あらゆるデバイスとデバイス間推論に対応する伸縮自在なV-JEPA
単一の学習済みモデルで、幅を再構成可能にし、異種デバイス間で分割実行できるElastic V-JEPAを提案。Transition-Aware Triplet Trainingにより、単一デバイスとクロスデバイスの両方の実行を同じ重みで学習する。
原題: EV-JEPA: Elastic V-JEPA for Any Device and Cross-Device Inference ／ Anxhelo Diko, Jieyu Lin, Stefano Ambrogio 他
日本語で読む → - 論文VLAロボティクス
Evo-World: オプティカルフロー監督による未来運動予測を組み込んだ軽量Vision-Language-Actionモデル
未来の画像ではなくオプティカルフローを予測させることで、見た目に依存しない運動中心の予測信号をVLAポリシー学習に組み込み、軽量ながらシミュレーションと実機で高い成功率を達成した研究。
原題: Evo-World: A Lightweight Vision-Language-Action Model with Future Motion Prediction via Optical-Flow Supervision ／ Zile Zhong, Yuxin Du, Tao Lin 他
日本語で読む → - 論文VLAロボティクス
SmolWAM: エッジデバイス向けロボット操作のための潜在ワールドアクションモデル
大規模モデルの事前学習済み部分を再利用し軽量化した潜在ワールドアクションモデルで、エッジデバイス上でも高速にロボット操作を実現した。
原題: SmolWAM: A Latent World-Action Model for Robotic Manipulation on Edge Devices ／ Timi Owolabi, Hikmah Olawore, Frances Adelakun 他
日本語で読む → - 論文VLA画像認識
タスク対応人間動画からの転移可能な世界行動モデルの学習
異なる環境で収集したタスク対応の人間実演ペアを用い、一方の動画と行動から他方の行動と未来フレームを予測するクロス動画事前学習WATCHを提案し、ロボット事後学習後の成功率を大きく改善した。
原題: Learning Transferable World-Action Models from Task-Paired Human Videos ／ Jeongeun Park, Taekyung Kim, Dongyoon Han 他
日本語で読む → - 論文VLAロボティクス
ロボットに「やらないこと」を教える：否定指示理解の新手法
視覚言語行動モデル（VLA）が否定を含む指示（例：「〜するな」）に従えるよう、パラメータ効率の良いプラグアンドプレイフレームワークNegaAlignを提案し、否定制約下での操作を評価するベンチマークNegaBenchを導入した。
原題: Tell Robot What Not to Do: A Negation Understanding Perspective ／ Fazeng Li, Gan Sun, Hao Cheng 他
日本語で読む → - 論文VLAロボティクス
LeWAM: JEPAによる世界モデルと行動のエンドツーエンド学習
JEPAを用いて潜在状態予測と行動フローマッチングを統合し、単一モデルで直接的な方策実行と効率的な計画を可能にする制御フレームワークを提案。接触の多いタスクや長期タスクで成功率を大幅に改善し、計画速度も向上させた。
原題: LeWAM: End-to-End World and Action Modeling with JEPAs ／ Minghao Fu, Tavis Siebert, Eryk Halicki 他
日本語で読む → - 論文VLAロボティクス
PLaW-VLA: 予測的潜在世界モデリングによる視覚-言語-行動ポリシー
事前学習済みの予測指向表現空間でタスクに関連する将来状態をモデル化し、長期制御と分布シフトへの汎化を改善するVLAポリシーを提案。
原題: PLaW-VLA: Predictive Latent World Modeling for Vision-Language-Action Policies ／ Yu Liu, Hetian Guo, Tianlv Huang 他
日本語で読む → - 論文VLAロボティクス
VioLA: 人間のデータから汎用人型制御ポリシーを学習
関節コマンドではなく身体・手の動作潜在表現を予測する汎用人型ポリシーを提案し、人間の動作記録をそのまま学習に活用することで、タスク固有の微調整なしに実機で指示追従を実現した。
原題: VioLA: Learning Generalist Humanoid Control Policies from Human Data ／ Mert Albaba, Jens Beißwenger, Anna Manasyan 他
日本語で読む → - 論文VLAロボティクス
ARC: ロボット基盤モデルのための推論レシピ
既存のロボット基盤モデルに「推論トレース」を自動生成して学習させることで、追加のロボット実演データや大規模学習なしにゼロショット性能を大幅に向上させる手法ARCを提案。
原題: ARC: A Reasoning Recipe for Robot Foundation Models ／ Gokul Puthumanaillam, Tao Sun, Elie Aljalbout 他
日本語で読む →