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: 2026/10/5 ／ 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
視覚言語モデルにおける視覚的グラウンディングの安全性
有害な要求が自由記述応答ではなく点やバウンディングボックスのグラウンディングを求める場合、視覚言語モデルが拒否しにくくなることを示し、グラウンディング形式の拒否データで微調整することで安全性を改善する手法を提案した。
原題: Visual Grounding Safety in Vision-Language Models ／ Erfan Shayegani, Kundan Krishna, Yue Dong 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機械学習
H-JEPA: 視覚計画のための階層的世界モデルのエンドツーエンド学習
各階層が独自の潜在空間でより遠い未来を予測するアクション条件付きJEPAの階層をエンドツーエンドで学習し、トップダウン計画により長期視覚計画の成功率と計算効率を改善する手法を提案。
原題: H-JEPA: End-to-End Learning of Hierarchical World Models for Visual Planning ／ Wancong Zhang, Basile Terver, Michael Rabbat 他
日本語で読む → - 論文VLA画像認識
追跡は永続性ではない：動画世界モデルは隠れた物体をどこまで保持するか
凍結したV-JEPA 2予測器に物体を隠して、予測器が隠れた物体の情報をどれだけ保持するかを調べた研究。物体の永続性は予測器側に欠けており、訓練で安価に導入できることを示した。
原題: Tracking Is Not Permanence: What Video World Models Keep of a Hidden Object ／ Peng Xie, Amr Alanwar
日本語で読む → - 論文VLAロボティクス
未来アンカー検証とオンライン回復によるWorld Action Model
World Action Modelが予測した未来のフレームをアンカーとして保持し、実行のずれを検出して視覚言語モデルで修正指示を生成し元の計画に復帰させる軽量フレームワークFAVORを提案。
原題: Future Anchored Verification and Online Recovery for World Action Models ／ Zhibin Qin, Zhenxiong Tan, Xinchao Wang
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 → - 論文VLA画像認識
GeoBridge-VLA：視覚言語行動モデルのための幾何認識残差適応
事前学習済みVLAの視覚エンコーダを凍結したまま幾何特徴を学習し、残差インターフェースで行動予測を強化する二段階手法を提案。LIBEROで70.9%、実機で74.0%の成功率を達成した。
原題: GeoBridge-VLA: Geometry-Aware Residual Adaptation for Vision-Language-Action Models ／ Hyun Song, Kangmin Kim, Loren Jinsoo Um 他
日本語で読む → - 論文VLAロボティクス
EvoMem-VLA: 長期的ロボットマニピュレーションのための状態進化メモリ
履歴状態間の変化をデルタトークンとして明示的に記憶し、長期タスクでのVLA方針の性能を向上させる手法を提案。
原題: EvoMem-VLA: State-Evolution Memory for Long-Horizon Robot Manipulation ／ Yuheng Na, Zhide Zhong, Junjie He 他
日本語で読む → - 論文VLAロボティクス
R²-WAM：World Action Modelのための修復・棄却ポストトレーニング
映像予測モデルを「入力行動と整合する未来を予測するよう修復」し、その予測を使って劣った行動サンプルを棄却・負例微調整することで、環境との追加対話なしに方策を改善する手法。
原題: $R^2$-WAM: Repair-and-Reject Post-Training for World Action Models ／ Ruiyan Xu, Haisheng Su, Sixu Lin 他
日本語で読む → - 論文VLA画像認識
LightVLN：コンパクトメモリと履歴誘導型局所集約による効率的な空中視覚言語ナビゲーション
0.5Bの小型言語モデルと履歴・現在観測の圧縮表現を組み合わせ、ドローン上でのリアルタイム動作を可能にした軽量な空中VLNフレームワークを提案。
原題: LightVLN: Efficient Aerial Vision-and-Language Navigation with Compact Memory and History-Guided Local Aggregation ／ Yiming Zhao, Tianshun Li, Jingle He 他
日本語で読む → - 論文VLAAI
安全な行動だけでは不十分：視覚言語行動ポリシーのための実行可能未来デコーディング
凍結したVLAポリシーにおいて、局所的に安全な行動でも将来の安全なタスク完了が不可能になる「実現可能性-尤度ギャップ」を定式化し、再学習やオンラインロールアウトなしで安全な候補を選び直す訓練不要のリランカーを提案した。
原題: A Safe Action Is Not Enough: Feasible-Future Decoding for Vision-Language-Action Policies ／ Tu Nguyen, Matthieu Zimmer, Vu Anh Vu 他
日本語で読む → - 論文VLA機械学習
検索はいつ役立つのか？視覚-言語-行動モデルにおける文脈内適応の研究
VLAモデルのテスト時適応における検索機構の影響を体系的に比較し、検索品質とタスク性能の関係を分析した研究。
原題: When Does Retrieval Help? A Study of In-Context Adaptation in Vision-Language-Action Models ／ Zixuan Liu, Joris Köster, Zizhan Zheng 他
日本語で読む → - 論文VLAcs.CR
画像からテキストへのジェイルブレイクはどの画像特性が引き起こすのか：制御された分解解析
画像とテキストの関係性がジェイルブレイク成功率に与える影響を、複数の攻撃手法とモデルで制御実験により検証した。
原題: Which Image Property Carries the Jailbreak? A Controlled Dissection of Image-to-Text Jailbreaks ／ Boyuan Chen, Yehia Dawoud, Hailemariam Mersha 他
日本語で読む → - 論文VLAcs.AR
LLMサービングを超えて：身体性AIシステム設計のための視覚-言語-行動ワークロードの特性評価
VLAモデルのバッチ1制御推論をエッジGPUとオンボードSoCで計測し、メモリ/計算律速や精度-速度-エネルギーのトレードオフを明らかにした。
原題: Beyond LLM Serving: Characterizing Vision-Language-Action Workloads for Embodied AI System Design ／ Seonghun Jung, Sieun Moon, Jiyoung Jeong 他
日本語で読む → - 論文VLAロボティクス
VAMPS: サンプリングベース計画による視覚・運動ポリシー
MPPI制御を用いて人間のデモンストレーションなしに再利用可能なポリシーを学習するフレームワークを提案し、シミュレーションでの歩行ポリシー学習と実機転移、実機データからの視覚運動ポリシー学習を実現した。
原題: VAMPS: Visual and Motor Policies from Sampling-Based Planning ／ Mohamed Yassine Kabouri, Pietro Noah Crestaz, Quang-Nam Nguyen 他
日本語で読む → - 論文VLA画像認識
いつ何を刈り込む？VLA効率化のための段階認識型視覚トークンプルーニング
VLA推論で視覚トークンを削減する際、層ごとの注意パターンを校正して信頼できる段階でのみ刈り込み、注目トークンと周辺文脈を保護する学習不要の手法を提案。
原題: When and What to Prune? Stage-Aware Visual Token Pruning for Efficient VLA ／ Tianjun Shi, Haotian Xiong, Ziyu Gong 他
日本語で読む → - 論文VLAAI
BACAM: マルチターン対話のための振る舞い認識型継続エージェントマージ
専門家エージェントを逐次的に統合する継続的マージ手法BACAMを提案し、軌跡ベースの振る舞い監督と安定性・可塑性制御により、対話タスクでの成功率を大幅に向上させた。
原題: BACAM: Behavior-Aware Continual Agent Merging for Multi-Turn Interaction ／ Shuaitong Li, Baochen Xiong, Xiaoshan Yang 他
日本語で読む → - 論文VLAロボティクス
RobotUse: 計算・文脈・意思決定の割り当てによるロボットエージェント
ロボットエージェントが視覚的に目標と姿勢を選び、バックエンドが幾何・運動計画・制御を担うハーネスを提案。サブエージェントが詳細を保持し、永続的なプレイブックで実行から学習する。
原題: RobotUse: Allocating Computation, Context, and Decisions ／ Junhoo Lee, Injun Baek, Seungyeon Kim 他
日本語で読む → - 論文VLAロボティクス
局所回復監督による視覚運動ポリシーの再帰的自己改善
失敗状態での修正デモを生成・学習させることで、視覚運動ポリシーを再帰的に自己改善する枠組みを提案し、LIBERO-Goalとrobomimic Canで成功率の向上を示した。
原題: Recursive Self-Improvement of Visuomotor Policies through Local Recovery Supervision ／ Yuzhi Zhang, Xinyu Liu, Yu Zhang
日本語で読む → - 論文VLAロボティクス
FLEX-WAM: 長期的な想像と計画のための柔軟なブロック因果的世界行動モデル
可変長コンテキストと無限自己回帰生成を可能にするブロック因果的世界行動モデルを提案し、行動応答性を高める訓練手法により長期計画タスクで高性能を実現した。
原題: FLEX-WAM: Flexible Block-Causal World-Action Models for Long-Horizon Imagination and Planning ／ R. Khorrambakht, Joseph Amigo, Félix Lebel 他
日本語で読む → - 論文VLAロボティクス
DiVeR: VLAのテスト時スケーリングのための意思決定クリティカル検証器学習
VLA方針のテスト時スケーリングにおいて、行動候補の識別に重要な状態を推定し、検証器の学習を再重み付けする手法DiVeRを提案。LIBEROやRoboCasa、実機実験で成功率を向上させた。
原題: DiVeR: Decision-Critical Verifier Learning for VLA Test-Time Scaling ／ Seongheon Park, Heecheol Kim, Shulin Tian 他
日本語で読む → - 論文VLAロボティクス
Vela: 適応的行動曲線パラメータ化による視覚-言語-行動モデルのスケーリング
未来のロボット動作を連続軌道として表し、スプライン表現と動作依存の時間サポートを組み合わせることで、固定出力予算でも時間解像度を適応させる視覚-言語-行動基盤モデルVelaを提案。大規模マルチ身体データで事前学習し、シミュレーションと実世界の長期的タスクで有効性を示した。
原題: Vela: Scaling Vision-Language-Action Models with Adaptive Action Curve Parametrization ／ Yifan Li, Jiaxu Wang, Dongming Wu 他
日本語で読む → - 論文VLA画像認識
予測不確実性で汎用推論を起動するデュアルシステムVLA
デュアルシステムVLAにおいて、行動再予測のばらつきを予測不確実性信号として用い、汎用推論の呼び出しを適応的にスキップする手法TUDを提案。計算コストを抑えつつ成功率を向上させた。
原題: Triggering Generalist Reasoning via Predictive Uncertainty for Dual-System VLA ／ Hyemin Yang, Wooseong Jeong, Giwon Lee 他
日本語で読む → - 論文VLA機械学習
行動基盤モデルにおける最小二乗を超えたタスク推論
行動基盤モデルにおいて、報酬再構成誤差と後続測度の不一致をバランスさせる新しいタスク推論手法BLSを提案し、歩行・操作・ヒューマノイド制御で性能を向上させた。
原題: Task Inference Beyond Least Squares in Behavioral Foundation Models ／ Kuan-Hsun Tu, Chien-Sheng Chiang, Hsin-Wei Chen 他
日本語で読む → - 論文VLA画像認識
衝突予測のためのビデオトランスフォーマーにおける時空間冗長性の調査
衝突予測に用いるVideoMAEの計算冗長性を解析し、時間方向のトークン統合で精度を保ちつつ1.76倍高速化した研究。
原題: Investigating Spatiotemporal Redundancy in Video Transformer for Collision Anticipation ／ Xiaoshan Zhou
日本語で読む → - 論文VLAロボティクス
DreamFormer: 言語条件付きロボット操作のためのTransformer世界モデルによる夢模倣
学習した世界モデルの潜在空間内で専門家のデモを模倣し、言語条件付き多タスクスキルを獲得するモデルベースエージェントを提案。CALVINベンチマークで既存手法を上回る。
原題: DreamFormer: Dream Imitation with a Transformer World Model for Language-Conditioned Robotic Manipulation ／ Mostafa Kotb, Cornelius Weber, Muhammad Burhan Hafez 他
日本語で読む → - 論文VLAロボティクス
ForeAct3D: VLAポリシーのためのポリシー接地型未来世界モデリング
VLAポリシー内で、行動に条件付けられた未来の3Dシーン状態を予測し、物理整合性で拘束することで、操作性能を向上させるフレームワークを提案した。
原題: ForeAct3D: Policy-Grounded Future World Modeling for VLA Policies ／ Zhe Tao, Feiran Wang, Gaowen Liu 他
日本語で読む → - 論文VLAAI
PermVLA: 分解順序を正則化として活用するVLA学習
VLAポリシーの学習において、行動チャンクの分解順序を正則化として利用するCAPを提案し、LIBEROやCALVINで性能向上を実証した論文。
原題: PermVLA: Factorization Order as a Regularizer for VLA Learning ／ Yanqiao Chen, Yuhan Rui, Dongsheng Hou 他
日本語で読む →