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: 2026/10/6 ／ 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
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 → - 論文VLA機械学習
JEPA世界モデルにおける逆動力学による不安定モードの保持
JEPA世界モデルに逆動力学損失を追加することで、制御に重要な不安定モードを表現に保持し、視覚ベースの制御を可能にする手法を提案。
原題: Preserving Unstable Modes Through Inverse Dynamics in JEPA World Models ／ Leonardo F. Toso, Yann LeCun, James Anderson 他
日本語で読む → - 論文VLAロボティクス
OpenWAM: 構成可能なWorld-Actionモデルのためのオープンフレームワーク
ロボット動画の基盤モデルと構成可能な映像-行動相互作用を組み合わせたオープンなWorld-Actionモデリング枠組みを提案し、LIBEROや実機タスクで高い成功率を達成した。
原題: OpenWAM: An Open Framework for Composable World-Action Models ／ Heng Yu, David D. Yuan, Juze Zhang 他
日本語で読む → - 論文VLAロボティクス
VLA-ACL: 行動整合性に基づく視覚トークン刈り込みによる効率的なVision-Language-Actionモデル
ベースのVLAモデルを凍結したまま、行動レベルの教師信号で軽量な視覚トークン選択ポリシーを学習し、最大87.5%の視覚トークンを削減しつつ操作性能を維持する手法を提案。
原題: VLA-ACL: Action-Consistent Visual Token Pruning for Efficient Vision-Language-Action Models ／ Owen Du, Yang Yue, Jie Zhang 他
日本語で読む → - 論文VLAロボティクス
イベント駆動型先回りロボット支援：視覚言語推論による実現
人間と物体のインタラクション結果をイベントとして捉え、視覚言語モデルを用いてタスク文脈を推論し、必要に応じて先回りの支援行動を生成するフレームワークを提案。実世界の協調作業3種で評価した。
原題: Event-Driven Proactive Robot Assistance through Vision-Language Reasoning ／ Fengkai Liu, Hao Su, Haozhuang Chi 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ロボティクス
AutodidactWAM: 生成動画からロボット動作へのクロスモーダル自己蒸留
世界行動モデルが生成した動画から手姿勢推定と逆運動学で動作を復元し、自己蒸留でロボットの動作精度を大幅に改善した研究。
原題: AutodidactWAM: Cross-Modal Self-Distillation from Generated Video to Robot Actions ／ Sergei Kurchev, Iaroslav Kolomiets, Miguel Altamirano Cabrera 他
日本語で読む → - 論文VLAロボティクス
再構成を超えて：ロボットポリシーのための行動トークン化で重要なこと
行動トークナイザの学習に予測可能性とロバスト性を組み込むProActを提案し、複数のベンチマークや実機でロールアウト成功率を大幅に改善した。
原題: Beyond Reconstruction: What Matters in Action Tokenization for Robot Policies? ／ Haoran Chen, Jingtian Ji, Samuel Wheeler 他
日本語で読む → - 論文VLAロボティクス
視覚外乱に適応するVLAモデルの自己教師ありテスト時適応
ロボット実行中に未知の視覚外乱が起きても、直前の未実行行動チャンクを自己教師信号としてVLA方策をテスト時に適応させ、成功率を向上させる手法SALTを提案。
原題: Adapting Vision-Language-Action Models to Unknown Visual Disruptions During Execution ／ Ahin Lee, Jinwoo Seo, Youngsoo Jang 他
日本語で読む → - 論文VLA機械学習
認知バイアスを考慮した量子機械学習と強化学習による親和性・ロマンス投資詐欺検出フレームワーク
会話中の認知バイアスを量子回路でモデル化し、強化学習エージェントが最適停止問題として詐欺会話を検出するハイブリッド手法を提案。
原題: A Cognitive-Aware QML-CRL Framework for Detecting Affinity and Romance-Investment Fraud ／ Bibhas Adhikari, Ramya Srinivasan
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VLAロボティクス
展開を通じたロボットオーケストレーターとポリシーの共進化
VLMオーケストレーターとVLAポリシーを実展開中に共進化させ、自己生成したデモでポリシーを微調整し検証後に採用することで、実世界タスクの成功率を向上させる手法Robo-COPを提案。
原題: Co-Evolving Robot Orchestrators and Policies through Deployment ／ Xilun Zhang, Maggie Wang, Erik Bauer 他
日本語で読む → - 論文VLA画像認識
SpaTime: 時空間推論のためのストリーミング視覚言語モデル
動画が到着する途中でも因果的幾何トークンを融合し、応答時間損失で適切な応答タイミングを学習するストリーミングVLMを提案。
原題: SpaTime: Streaming Vision-Language Models for Spatio-temporal Reasoning ／ Hairong Yin, Huangying Zhan, Shin-Fang Chng 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
VLA事後学習におけるデータ拡張の正しい使い方と落とし穴
VLAモデルの強化学習による事後学習で、画像拡張はcriticにのみ適用しactorには適用しないことが重要だと示し、分布外タスクの成功率を改善する実践的な指針を提示した。
原題: How (and How Not) to Use Data Augmentation in VLA Post-Training ／ Bram Grooten, Joaquin Vanschoren
日本語で読む → - 論文VLAロボティクス
SharedKV-BT: 行動木エージェントのためのノードローカル型付き意思決定
行動木の各ノードで候補を並列評価し、型付き意思決定を高速化する手法を提案。ロボット操作・移動・コンピュータ操作タスクで有効性を検証した。
原題: SharedKV-BT: Node-Local Typed Decisions for Behavior-Tree Agents ／ Naoki Wake, Justin Wagle
日本語で読む → - 論文VLAロボティクス
言語は符号化されるが制御に至らない：視覚言語ロボット政策における接地ギャップの解明
視覚言語行動政策が指示を符号化しても、シーンに基づく元の対象選択を変えられない「接地ギャップ」を、指示介入実験と注意分析により明らかにした。
原題: Encoded but Not in Control: Revealing the Grounding Gap in Vision-Language Robot Policies ／ Shaohan Jiang, Jiahang Cao, Qiduo He 他
日本語で読む → - 論文VLAロボティクス
I-BFM: 教師なし強化学習による報酬条件付きロバストヒューマノイドインタラクション
人間・物体・接触の結合ダイナミクスを教師なし強化学習で共有表現として学習し、下流タスクの報酬に条件付けられた単一の方策で運搬・押し・キックなどの全身インタラクションを実行できるヒューマノイド基盤モデルを提案した。
原題: I-BFM: Reward-Conditioned Robust Humanoid Interaction via Unsupervised Reinforcement Learning ／ Ziqi Han, Yitang Li, Junhan Sun 他
日本語で読む → - 論文VLAロボティクス
双腕VLAモデルにおける腕ごとの組合せ的一般化
双腕ロボットの協調を「腕ごとの基本スキルの再構成」として評価するベンチマークACG-Benchを提案し、スキル特化LoRAと腕別アテンションを組み合わせたAE-VLAで汎化性能を大幅に改善した。
原題: Arm-wise Compositional Generalization in Dual-Arm Vision-Language-Action Models ／ Zaibin Zhang, Binghao Ran, Yuhan Wu 他
日本語で読む → - 論文VLAロボティクス
切り替えのタイミング：Vision-Language-Actionモデルのための信頼性の高いアクションチャンク拡張
VLAモデルの長いアクションチャンク実行における誤りがサブスキル遷移付近に集中することを見出し、遷移タイミングを予測・条件付けすることで長いチャンクでも信頼性高く実行できるRACEを提案した。
原題: When to Switch: Reliable Action-Chunk Extension for Vision-Language-Action Models ／ Seonghoon Yu, Dongwon Kim, HyungRok Jung 他
日本語で読む → - 論文VLA画像認識
RealtimeWAM：ワンステップ非同期ワールドアクションモデル
映像生成バックボーンの表現を活用するワールドアクションモデルにおいて、教師アンカー型一貫性蒸留とクロスエキスパート・ウェーブフロント・パイプライン化により、ワンステップの行動生成と非同期推論を実現し、推論効率を大幅に向上させた研究。
原題: RealtimeWAM: One-Step Asynchronous World Action Models ／ Chengtao Lv, Jinyang Du, Shuyi Feng 他
日本語で読む → - 論文VLA画像認識
StageVLN: 空間・軌跡補助ガイダンスによる効率的な視覚言語ナビゲーション
訓練時のみ幾何学基盤モデルと軌跡監督でナビゲーション表現を強化し、推論時は追加計算なしで高い性能を達成するフレームワーク。
原題: StageVLN: Spatial and Trajectory Auxiliary Guidance for Efficient Vision-Language Navigation ／ Anh Dao, Quan-Dung Pham, Le Danh Vinh 他
日本語で読む → - 論文VLAAI
アッカーマン操舵移動ロボットによる連続環境での視覚言語ナビゲーションのsim-to-real転移
ナビゲーショングラフや全周視野を使わず、視覚言語モデルとCross-Modal Attentionで自然言語指示に従う連続環境ナビゲーションを構築し、実機アッカーマンロボットで微調整してsim-to-real転移を実現した。
原題: Sim-to-Real Transfer of Vision-Language Navigation in Continuous Environments Using an Ackermann-Steered Mobile Robot ／ Chalindu Abeywansa, Sahan Gunasekara, Devindi De Silva 他
日本語で読む → - 論文VLAロボティクス
エージェント型ロボットのための再帰的ビデオ文脈内学習
実演ビデオをサブイベント階層として構築し、エージェントが必要な時に必要な粒度だけを読み込む訓練不要の手法を提案。LIBERO-PROとLIBERO-Plusで成功率を向上させた。
原題: Recursive Video In-Context Learning for Agentic Robot ／ Wenrui Bao, Xinxin Liu, Bingxin Xu 他
日本語で読む → - 論文VLA画像認識
ROT: 隠れ状態を文脈ベクトルへ回転させてLVLMの幻覚を抑制
大規模視覚言語モデルの中間層で幻覚トークンが示す文脈的逸脱を検出し、ノルムを保つ回転で隠れ状態をマルチモーダル文脈平面へ補正する学習不要の幻覚抑制フレームワークを提案。
原題: ROT: Rotating Hidden States towards Contextual Vectors for Hallucination Mitigation in LVLMs ／ Yijing Du, Xiangcheng Zhan, Shuo Yang
日本語で読む → - 論文VLAロボティクス
ガードが見逃すものをロボットは実行する：VLA指示における暗示的害
VLAモデルは拒否できず指示を実行するため、有害な意図の検知はモニタに依存する。タスクを固定し意図の明示度だけを変えて検証した結果、テキストガードは露骨な要求は検知するが暗示的な害の最大95%を見逃し、活性化監視でも補えないことを示した。
原題: What the Guard Misses, the Robot Executes: Implied Harm in VLA Instructions ／ Sripad Karne, Arjun Balaji
日本語で読む → - 論文VLAロボティクス
VLA-ZO：視覚言語行動モデルのための高速ゼロ次適応
VLAモデルの展開時の分布シフトに適応するため、行動側のみをゼロ次最適化で適応し、視覚言語部分を固定して計算を再利用することで高速化を実現した。
原題: VLA-ZO: Fast Zeroth-Order Adaptation for Vision-Language-Action Models ／ Jaemin Kim, Jiahn Kim, Taesik Gong
日本語で読む → - 論文VLA機械学習
分布内性能を超えて：脆弱性指向チューニングによる量子化VLAの汎化回復
量子化されたVLAポリシーは分布内性能を保つ一方で環境変化に脆くなる問題に対し、脆弱な状態を選択的に修正するオンポリシー蒸留フレームワークPIVOT-Qを提案した。
原題: Beyond In-Distribution Preservation: Recovering Generalization in Quantized VLAs via Vulnerability-Oriented Tuning ／ Shen Ruan, Wenchang Gao, Jin Wang 他
日本語で読む →