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: 2026/10/8 ／ 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
身体化チューリングマシン：ロボットの再帰的自己改善のための状態を持つコード
ロボットの状態をコードで明示的に表現し、VLMやVLAを使わずコードのみで意思決定を行う手法COAPを提案。42の両腕タスクで70.24%の成功率を達成した。
原題: Embodied Turing Machines: Stateful Code for Robot Recursive Self-Improvement ／ Kairui Hu, Siyuan Hu, Fangzhou Hong 他
日本語で読む → - 論文VLAロボティクス
空間言語モデリングによる方策学習と状態予測の統合
シーン輪郭・目標・行動・将来状態を離散座標と意味トークンの共通語彙で表現し、単一の自己回帰Transformerで行動生成と行動条件付き状態予測を同時に学習する手法を提案。Push-Tと実機で評価。
原題: Unifying Policy Learning and State Prediction through Spatial Language Modeling ／ Minye Wu, Zehao Wang, Tinne Tuytelaars
日本語で読む → - 論文VLAロボティクス
REACT: ローリングデノイジングと二重分離によるVLAモデルを用いた反応型ロボット制御
フロー型VLAモデルでアクションチャンクを再生成せず、アクションバッファをずらしながらデノイズし続けることで、長期的な文脈を保ちつつ反応性を高める制御フレームワークを提案。
原題: REACT: Rolling Denoising and Dual Decoupling for Reactive Robot Control with VLA Models ／ Houlong Xiong, Zhenqi Qiu, Zechen Wang 他
日本語で読む → - 論文VLAロボティクス
SimVLA：モバイルマニピュレーションのためのゼロショットSim-to-Real VLA学習
シミュレーションのみでVLAを学習し、実世界のモバイルマニピュレーションへゼロショット転移するフレームワークSimVLAを提案。実機デモ50件で学習した方策を上回る性能を示した。
原題: SimVLA: Zero-Shot Sim-to-Real VLA Learning for Mobile Manipulation ／ Kyoungin Baik, Youngwoon Lee
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
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画像認識
VersaCamVLA: カメラ構成に柔軟なロボットマニピュレーション用VLAポリシー
任意の台数・姿勢のカメラ映像を固定長のシーントークンに変換し、事前学習済みVLAに注入することで、カメラ構成が変わっても頑健に動作するマニピュレーション手法を提案。
原題: VersaCamVLA: Camera-Configurable VLA Policies for Robotic Manipulation ／ Boyao Han, Chen Shi, Jingjing Qian 他
日本語で読む → - 論文VLAロボティクス
Being-M0.7: ヒューマノイドロボットのための潜在世界行動モデル
人間の動画・モーションの大規模データから視覚運動の事前知識を学習し、ヒューマノイドの全身移動・操作を実現する世界行動モデルを提案。シミュレーションと実機Unitree G1で高い成功率を示した。
原題: Being-M0.7: A Latent World-Action Model for Humanoid Robots ／ Junpeng Yue, Boyuan Li, Yuxuan Wang 他
日本語で読む → - 論文VLA画像認識
WOVEN: 視覚的遷移推論をマルチモーダルLLMに織り込む
視覚的遷移推論を共通の学習プリミティブとして扱い、そのための学習データとベンチマークWOVENを構築。38の最先端MLLMが人間を大きく下回ることを示し、WOVENで訓練すると広範なタスクへ転移することを実証した。
原題: WOVEN: Weaving Visual World Modeling into Multimodal LLMs ／ Zheyu Fan, Yue Zhang, Mingkai Deng 他
日本語で読む → - 論文VLAロボティクス
WARP-VLA: 手首カメラ適応による視点に頑健なVLAポリシー実行
手首カメラの取り付け位置ずれに頑健なVLAを提案。視点ごとの特徴変換を専門家が学習するMoE構造で、カメラ外部パラメータなしに多様な配置へ適応する。
原題: WARP-VLA: Wrist-Camera Adaptation for View-Robust Policy Execution in Vision-Language-Action Models ／ Junmyeong Lee, Dongmin Shin, Min-Gyu Park 他
日本語で読む → - 論文VLAロボティクス
GAMMA: 記憶集約型マニピュレーションのための接地型マルチエージェント記憶と機械的監査
VLAポリシーの記憶タスク失敗を、検出器・VLMライター・VLMリーズナーの協調と機械的検証で接地サブゴールに変換する記憶システムGAMMAを提案し、16タスクでオラクル性能の大部分を回復した。
原題: Gamma: Grounded Multi-Agent Memory with Mechanical Audit for Memory-Intensive Manipulation ／ Yudong Liu, Yueqian Lin, Zijia Tang 他
日本語で読む → - 論文VLAロボティクス
経験誘導による学習済みスキル合成のための開始状態探索
凍結したVLAポリシーを新環境で使う際、過去の実行経験で候補を絞りつつ対象環境での検証を行い、少ない試行で信頼できる開始状態を発見する手法EVISを提案。
原題: Experience-Guided Initiation Search for Learned Skills in Skill Composition ／ Qixuan Li, Yanhong Zhao, Jincheng Yu
日本語で読む → - 論文VLA画像認識
FearCaut-Qwen：視覚言語モデルにおける感情ステアリングが危険評価の判断基準を変化させる
災害後の被害評価で危険判定を避けがちな視覚言語モデルの判断基準を、恐怖に関連する感情表現を活性化ステアリングで操作することで改善し、赤判定の再現率を27%から75.7%へ引き上げた。
原題: FearCaut-Qwen: Affective Steering in a Vision-Language Model Shifts the Decision Criterion for Hazard Assessment ／ Xiaoshan Zhou
日本語で読む → - 論文VLAロボティクス
MiniWAM: 効率的なワールド・アクション・モデリングのためのコンパクトな未来ターゲットの学習
未来状態を高次元のまま予測する従来のWorld Action Modelに対し、逆時空間モデリングで制御に関連するコンパクトな未来表現を学習し、予測コストを大幅に削減しつつ性能を向上させた手法。
原題: MiniWAM: Learning Compact Future Targets for Efficient World-Action Modeling ／ Jie Chen, Ruofei Bai, Yuxin Cai 他
日本語で読む → - 論文VLA画像認識
FloorSAV: 2Dフロアマップで空間的な音声視覚コンテキストを解明するAV-LLM
動的な一人称視点環境において、3D点群やカメラ軌跡、空間音声、物体ランドマークから2Dフロアマップを生成し、AV-LLMに同期入力することで空間推論能力を向上させるフレームワークを提案。
原題: FloorSAV: Elucidating Spatial Audio-Visual Context with 2D Floormap for AV-LLMs ／ Kyeong-Rae Kim, Sungnyun Kim, Tae-Hyun Oh
日本語で読む → - 論文VLAロボティクス
インスタンス固定型インタラクション証拠：人間の指差しと操作に基づくロボット計画の接地
人間の指差しや物体操作の映像から、対象物をインスタンス単位で追跡・同定し、その証拠に基づいてロボットの行動計画を生成する手法を提案。暗黙の意図を含むタスクで既存の大規模視覚言語モデルを大きく上回る成功率を達成した。
原題: Instance-anchored interaction evidence: Grounding robot plans in human pointing and handling ／ Xinliang Xiao, Bowen Yang, Wenjing Zhang 他
日本語で読む → - 論文VLAロボティクス
Spa-Bench：視覚言語行動モデルの空間的接地を評価する実機ロボットベンチマーク
視覚言語行動モデル（VLA）が空間記述を実機ロボットの行動に正しく結びつけられるかを評価するため、6種類の卓上タスクからなる実機ベンチマークSpa-Benchを提案し、5つの最先端VLAの性能を比較した。
原題: Spa-Bench: A Real-Robot Benchmark for Spatial Grounding in Vision-Language-Action Models ／ Justin Tien-Smith, Matthew Pidden, Rolandos Alexandros Potamias
日本語で読む → - 論文VLAロボティクス
UNITAS: 身体操作のための3Dネイティブ世界行動モデル
観測・行動・シーン動態を共通の3Dメトリック空間で統一的に表現する初の3Dネイティブ世界行動モデルを提案し、行動条件付きシーン予測と操作タスクで高い性能を達成した。
原題: UNITAS: A 3D-Native World Action Model for Embodied Manipulation ／ Ruixiang Wang, Yongyi Su, Wenlve Zhou 他
日本語で読む → - 論文VLAロボティクス
LeWAM：拡散誘導MPCを用いたJEPA世界行動モデル
JEPA潜在空間上で順・逆・逆動力学と政策を双方向トランスフォーマで予測する世界行動モデルを提案し、政策ヘッドのノイズ空間でMPC計画を行うことで閉ループ性能を向上させた。
原題: LeWAM: A JEPA World Action Model with Diffusion-Steering-Based MPC ／ Shashank Hegde, Alexander Popov, Elie Aljalbout 他
日本語で読む → - 論文VLAロボティクス
PathTime-VLA: 視覚言語行動ポリシーの因子化事後学習のための経路・時間分離
VLAポリシーの行動を経路と時間プロファイルに分離して表現し、事後学習で経路生成と実行速度を別々に学習することで、成功率を保ちつつタスク完了時間を約4〜5割短縮した。
原題: PathTime-VLA: Path-Time Decoupling for Factorized Post-Training of Vision-Language-Action Policies ／ Qing Huang, Yifei Yang, Ziqing Zou 他
日本語で読む → - 論文VLAAI
VLAモデルのための潜在推論フローの再構成と洗練
VLAモデルが過去の成功した潜在推論を記憶し、動的に再利用・洗練することで、ロボット制御の成功率を向上させる手法FLOWMEMを提案。
原題: Recompose and Refine Latent Reasoning Flows for Vision-Language-Action Models ／ Hongyu Shi, Sen Zhao, Zuyu Zhang 他
日本語で読む → - 論文VLAロボティクス
関節状態と行動を同時生成するヒューマノイド・ワールドアクションモデル
ヒューマノイドの参照行動と実際に実行される身体状態を同時に生成・予測することで、行動と実行のギャップを埋めるWorld Action Model「HWAM」を提案。
原題: Humanoid World Action Model With Joint State--Action Generation ／ Yan Yang, Jikun Rong, Minzhao Zhu 他
日本語で読む → - 論文VLAロボティクス
意味・動態・制御を再配線する：シンプルかつ効果的な行動中心型トリプルストリームTransformer
VLMと動画生成ワールドモデルを別々のストリームとして保持しつつ、行動専門家が層ごとのアテンションで両者の表現を統合するACT³を提案し、実機・シミュレーションのマニピュレーションで優れた性能を示した。
原題: Rewiring Semantics, Dynamics, and Control: A Simple yet Effective Action-Centric Tri-Stream Transformer ／ Shuang Luo, Yilun Kong, Yunpeng Qing 他
日本語で読む → - 論文VLAロボティクス
WAM-Cache: 古さを制限したKV再利用による効率的なWorld Action Model
World Action Modelの動画DiTによるKVキャッシュをチャンク間で再利用し、行動エキスパートの注意と視覚的驚きに基づくトークンだけを再計算することで、精度を保ちつつ計算量を削減する学習不要の手法。
原題: WAM-Cache: Staleness-Bounded KV Reuse for Efficient World Action Models ／ Kai Ding, Yang He, Ruijie Quan 他
日本語で読む → - 論文VLAAI
Memento 3: 反省的ルールブックによるモデルベースの再帰的自己改善
凍結したLLMエージェントが自然言語のルールブックを外部記憶として保持し、観察・反省・ルール改訂・コード生成・検証のループを通じて世界モデルを継続的に学習・改善する手法を提案。ARC-AGI-3の全25公開ゲームをクリア。
原題: Memento 3: Model-Based Recursive Self-Improvement through Reflective Rulebooks ／ Haoyu Zhao, Zhengxu Yu, Zhiyuan He 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画像認識
TERRA: 時間的効果表現と関係的整合による可搬な潜在行動の学習
視覚遷移から潜在行動を学習する際、遷移の「時間的効果」を表現し、異なる初期状態でも同じ意味を持つよう整合させる手法TERRAを提案。
原題: TERRA: Learning Transportable Latent Actions through Temporal Effect Representation and Relational Alignment ／ Tianxingjian Ding, Mubarak Shah, Yu Tian
日本語で読む → - 論文VLA画像認識
動画予測ポリシー2：より良く予測し、より良く行動する
操作動画で基盤動画モデルを追加事前学習し、単段階の視覚プランナに蒸留、MoTで行動モジュールを統合することで、オープンエンドな操作タスクにおけるゼロショット汎化性能を大幅に向上させた世界行動モデル。
原題: Video Prediction Policy 2: Predict Better, Act Better ／ Yanjiang Guo, Haodong Yan, Zhide Zhong 他
日本語で読む → - 論文VLAロボティクス
RoboQuest：探索・検査・試験を行う汎用物理エージェント
未知環境で必要な情報を物理的相互作用を通じて能動的に獲得し、タスク完了を自律的に判断する汎用エージェントのベンチマークRoboQuestを提案。最先端のマルチモーダルエージェントでも成功率は23%と低く、失敗の多くは探索の早期終了に起因することを示した。
原題: RoboQuest: Generalist Physical Agents that Search, Inspect and Test ／ Liu Renhang, Navonil Majumder, Tej Deep Pala 他
日本語で読む → - 論文VLAロボティクス
iAm.md: 未知のオープンボキャブラリ領域におけるエージェント内省によるロボットスキル自己評価
LLMエージェントがロボットのスキルと環境を内省し、実行可能な計画を生成するためのMarkdown標準とフレームワークを提案。シミュレーションでナビゲーションとマニピュレーションのタスクにおける有効性を示した。
原題: iAm.md: Robot Skill Self-Assessment through Agentic Introspection for Unknown Open-Vocabulary Domains ／ Vincenzo Guarino, Emanuele Musumeci, Vincenzo Suriani 他
日本語で読む →