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: 2026/10/7 ／ 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VLAAI
システムスイッチ：高速意思決定モデルはいつ立ち止まって考えるべきか？
高速な学習方策と推論型VLMをゲートで切り替える二重過程エージェントをDoomで評価し、不確実性に基づく委譲が有効な条件と限界を分析した研究。
原題: System Switch: When Should a Fast Decision Model Stop and Think? ／ Gian Luca Bailo
日本語で読む → - 論文VLAロボティクス
TMT: 未見タスクにおける視覚言語行動ポリシーの実行時バックドア検出
良性ロールアウトで訓練したトークン多様体と潜在遷移モデルにより、VLAポリシーのバックドア起動を実行時に検出し、自己蒸留による浄化も探索する手法を提案。
原題: TMT: Runtime Backdoor Detection for Vision-Language-Action Policies on Unseen Tasks ／ Zirun Zhou, Jingfeng Zhang, HaoChuan Xu 他
日本語で読む → - 論文VLAロボティクス
Juno: 視覚-言語-行動モデルのための予測潜在表現の活用
行動条件付きJEPAを基盤に、事前学習・方策学習・実機展開の3段階で予測潜在表現を統合し、VLAモデルの成功率を向上させたフレームワーク。
原題: Juno: Taming Predictive Latents for Vision-Language-Action Models ／ Yuchen Zhu, Chenyi Xu, Yulin Zhang 他
日本語で読む → - 論文VLAロボティクス
YUBI-STAG: 自動動画言語グラウンディングによるVLAのための接触・意味豊富なアラインメント
ロボット実演に接触物体や把持動作などの詳細な意味情報を自動付与し、視覚言語行動モデルをきめ細かい言語指示と整合させるフレームワークを提案。
原題: YUBI-STAG: Contact and Semantic-Rich Alignment for VLAs via Automated Video-Language Grounding ／ Masatoshi Tateno, Takehiko Ohkawa, Yueh-Hua Wu 他
日本語で読む → - 論文VLAロボティクス
行動基盤モデルにおける行動操縦性のベンチマーク
人間の意図に基づいてヒューマノイドの行動を生成する行動基盤モデル（BFM）の「行動操縦性」を評価する初のベンチマークRoboSteerを提案し、9つの既存BFMを大規模に評価した。
原題: Benchmarking Behavioral Steerability in Behavior Foundation Models ／ Minghe Gao, Zhanxi Yan, Jiahui Liu 他
日本語で読む → - 論文VLAロボティクス
スパース特徴のポリシー忘却による視覚言語行動モデルの状態幻覚の軽減
VLAモデルが未達成の状態を達成したかのように振る舞う「状態幻覚」を、幻覚に関連するスパース特徴を選択的に忘却させることで軽減する手法SOULを提案。
原題: Sparse Feature Policy Unlearning Mitigates State Hallucination in Vision-Language-Action Models ／ Jiho Lee, Jeongeun Park, Heayoun Choi 他
日本語で読む → - 論文VLAロボティクス
RoboPrompt：スパースな人間入力による直感的ロボット方策ステアリング
描いた軌跡や目標点などの簡潔な人間入力から行動の下書きを作り、ベース方策の拡散・フローマッチング過程で洗練させることで、方策を再学習せずに操舵可能にする汎用システム。
原題: RoboPrompt: Intuitive Robot Policy Steering with Sparse Human Input ／ Yanwen Zou, Chenyang Shi, Guoxuan Xu 他
日本語で読む → - 論文VLAロボティクス
TempoBridge: 視覚言語行動ポリシーのための言語誘導テンポ制御
凍結したVLA表現を利用し、指示中のテンポ手がかりに応じて動作を調整する軽量フレームワークを提案。追加のテンポ条件付き実演や微調整なしで、LIBEROタスクのテンポ成功率を52.6%から89.7%に改善した。
原題: TempoBridge: Language-Guided Tempo Control for Vision-Language-Action Policies ／ Yeonseo Lee, Hyosup Shin, Guebin Hwang 他
日本語で読む → - 論文VLAロボティクス
RealtimeWAM: ワールドアクションモデルをどこまで高速に動かせるか
ワールドアクションモデルの推論を、学習不要の並列実行と適応的計算の協調により高速化する汎用フレームワークを提案し、複数ベンチマークで約9〜11倍の速度向上と成功率維持を実現した。
原題: RealtimeWAM: How Fast Can I Run My World Action Model? ／ Huanan Liu, Ye Li, Kangye Ji 他
日本語で読む → - 論文VLAロボティクス
ロボット制御のための適応的コード生成フレームワーク
LLMが自然言語の意図をロボット制御コードに変換し、VLMが意味的接地を担う二重AI構成で、動的環境での再計画と実行監視を組み合わせたフレームワークを提案。
原題: Adaptive Code Generation for Controlling Robots ／ Justus Flerlage, Thorsten Wittkopp, Alexander Acker 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
Long-WAM: 世界行動モデルのコンテキスト拡張
因果的世界行動モデルのコンテキストを拡張し、自己回帰的事前学習とストリーミング符号化によりリアルタイム制御を実現したフレームワーク。
原題: Long-WAM: Scaling the Context of World-Action Models ／ Wei Huang, Bohan Zhang, Chenzhi Liu 他
日本語で読む → - 論文VLAロボティクス
聞くことが容易になるとき：視覚的手がかりを除去してショートカットのないVLAを実現
視覚言語行動モデルにおける視覚的ショートカット学習を分析し、言語情報への注意を高める新しいドメイン敵対的訓練手法「タスクスクラビング」を提案して、分布外ロバスト性を改善した。
原題: When Listening Becomes Easier: Scrubbing Visual Cues for Shortcut-Free VLAs ／ Jasper Gerigk, Kenzo Aspuru-Takata, Chin-Hsuan Wu 他
日本語で読む → - 論文VLA/拡散ポリシーロボティクス
非混和拡散ポリシー：ラベルフリーなノイズ割り当てによるマルチモーダルなロボット行動の保持
拡散ポリシーがマルチモーダルな行動分布を崩壊させる問題に対し、行動とノイズの割り当てを工夫するラベルフリーな学習時追加手法を提案し、モダリティ保持を大幅に改善した。
原題: Immiscible Diffusion Policy: Preserving Multimodal Robot Actions through Label-Free Noise Assignment ／ Xiao Zhang, Yuxin Chen, Zhixuan Liang 他
日本語で読む → - 論文VLAロボティクス
ΔWAM: 行動接ベクトル場を世界行動モデルへ蒸留する手法
行動に依存する未来変化を局所テイラー展開で抽出し、それを世界行動モデルに蒸留することで、環境変化に対するロボット方策の頑健性を高めた。
原題: ΔWAM: Distilling Action Tangent Fields into World Action Models ／ Ke Wu, Hanwen Huang, Bo Gu 他
日本語で読む → - 論文VLAロボティクス
成功への多様な道：VLA汎化のための多様性駆動型RLファインチューニング
VLA方策のRLファインチューニングにおいて、成功軌道の多様性を明示的な報酬として組み込むDRIVEを提案し、分布シフト下での汎化性能を向上させた。
原題: Many Ways to Succeed: Diversity-Driven RL Fine-Tuning for VLA Generalization ／ Haoru Li, Jinmei Liu, Zhiyong Wang 他
日本語で読む → - 論文VLAロボティクス
AirGroundVLN：目標指向の空地協調視覚言語ナビゲーションのための大規模ベンチマーク
空地協調の視覚言語ナビゲーションを体系的に評価するため、19のUnreal Engine環境で1万件超のエピソードを含む大規模ベンチマークAirGroundVLNと、時空間記憶と空中ガイド計画を組み合わせた参照手法AG-CoNAVを提案した。
原題: AirGroundVLN: A Large-Scale Benchmark for Goal-Oriented Air-Ground Collaborative Vision-and-Language Navigation ／ Zhenxuan Zeng, Qingle Wu, Wei Suo 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ロボティクス
Vision-Language-Actionモデルは指示を理解しているのか？言語グラウンディングに関するメカニスティック解釈可能性研究
VLAモデルが言語指示に実際に依存しているかを調べるため、π0.5とGR00T N1.7の残差ストリームに活性化・帰属パッチングを適用し、指示を様々に破壊した際の感度を分析した。
原題: Do Vision-Language-Action Models Understand Instructions? A Mechanistic Interpretability Study on Language Grounding ／ Theodor Wulff, Angelo Cangelosi
日本語で読む → - 論文VLAロボティクス
行動前に言い換えよ：視覚言語行動モデルにおける言語感度の特性評価と緩和
VLAモデルが指示の言い回しに敏感であることを統計的に示し、LLMで抽出した言い換えルールを適用することで再学習なしに性能を改善する手法を提案。
原題: Rephrase Before You Act: Characterizing and Mitigating Language Sensitivity in Vision-Language-Action Models ／ Mikey Watts, Yuchen Cui
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自然言語
CARE: 視覚言語行動推論の高速化を認証するフレームワーク
VLAモデルの高速化手法がタスク成功率を損なうリスクを、ペアロールアウトと統計的保証で評価し、安全に高速化を選定する手法を提案。
原題: CARE: Certifying Acceleration for Vision-Language-Action Inference ／ Rui Liu, Tong Zheng, Jindong Gu 他
日本語で読む → - 論文VLAナビゲーションロボティクス
見えない危険を可視化：温度・放射線対応VLAナビゲーションのための物理誘導視覚プロンプティング
凍結したVLAモデルに仮想障害物を重ねるだけで、RGBカメラでは見えない放射線や温度の危険を回避させるプラグアンドプレイ手法を提案し、実機でも検証した。
原題: Seeing the Invisible: Physics-Guided Visual Prompting for Temperature- and Radiation-Aware VLA Navigation ／ Hojoon Son, Fan Zhang
日本語で読む → - 論文VLAAI
Attacca: 状態連続性下での長期身体エージェントのための目標指向制御
長期タスク実行中の状態連続性に対応するため、検索から相互作用までの軌跡で視覚目標条件付きポリシーを訓練するAttaccaを提案。目標画像を実行環境から切り離し、行動フェーズ条件付けを導入。
原題: Attacca: Goal-Directed Control under State Continuity for Long-Horizon Embodied Agents ／ Gyusik Seo, Jaehong Yoon
日本語で読む → - 論文VLAAI
EMHO: 経験トレースによる身体性エージェントハーネスの最適化
身体性エージェントのモデルを固定したまま、実行トレースを分析してハーネス（計画・文脈・ツール利用）を自己進化させるフレームワークEMHOを提案し、ナビゲーションとマニピュレーションで成功率を向上させた。
原題: EMHO: EMbodied Agent Harness Optimization via Experience Traces ／ Hyun Jung Lee, Jungtaek Kim, Jongwon Jeong 他
日本語で読む → - 論文VLAロボティクス
ESP: ワンステップ多峰性行動生成のためのエネルギー・スコア方策
拡散・フローマッチング方策の反復サンプリングを不要にし、エネルギー・スコアで行動ヘッドを訓練して1回のネットワーク評価で行動チャンクを生成する手法を提案。シミュレーションと実機のマニピュレーションで、遅延を大幅に削減しつつ競争力のある成功率を達成した。
原題: ESP: Energy-Score Policy for One-Step Multimodal Action Generation ／ Lilika Makabe, Heecheol Kim, Yasuyuki Matsushita
日本語で読む → - 論文VLAロボティクス
StairVLA：視覚言語行動モデルのための段階認識型階層的行動生成
拡散・フローマッチング型の行動生成をノイズ除去の段階ごとに役割分担させ、高レベルVLAが粗い長期軌道を作り軽量リファイナが高頻度で局所修正することで、推論コストを削減しつつ成功率を向上させた。
原題: StairVLA: Stage-Aware Hierarchical Action Generation for Vision-Language-Action Models ／ Shangyuan Yuan, Xinda Qi, Yujiang Pu 他
日本語で読む → - 論文VLAロボティクス
ActTune: 動作認識型の精度とGPU動作点適応によるエネルギー効率の良い視覚言語行動推論
視覚言語行動ポリシーの推論において、動作クラスごとの量子化感度とGPU動作点を考慮し、タスク成功率を維持しつつ1成功タスクあたりのGPUエネルギーを削減するフレームワークを提案。
原題: ActTune: Action-Aware Precision and GPU Operating-Point Adaptation for Energy-Efficient Vision-Language-Action Inference ／ Zou Qingyun, Bin Gao, Wenju Zhao 他
日本語で読む → - 論文VLAロボティクス
MIM-VLA: グリッパモータフィードバックから物理的相互作用表現を学習する
グリッパの電流・位置・速度などのモータフィードバックを128次元の相互作用トークンに符号化し、SmolVLAの把持動作経路のみを条件付けることで、触覚センサなしに物体の抵抗比較や脆い物体の把持を実現した。
原題: MIM-VLA: Learning Physical Interaction Representations from Gripper Motor Feedback ／ Jaeyoung Lee, Jiyeon Koo, Taehwa Kim 他
日本語で読む → - 論文VLAAI
VeriFine: 身体性推論における自己改善のための検証スケーリング
方策・カリキュラム・判定器を共進化させ、人間の助言を活用して判定器を改良することで、身体性推論タスクにおける継続的な自己改善を実現するフレームワークを提案。
原題: VeriFine: Scaling Verification for Self-Improvement in Embodied Reasoning ／ Zewei Zhou, Rachel Luo, Yulong Cao 他
日本語で読む →