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: 2026/10/3 ／ 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
ExStereo: 明示的なステレオ表現で2D視覚言語行動モデルを3Dに拡張
ステレオ画像からシーン形状を再構成し、事前学習済み2D VLAモデルに3D知覚を付与するステレオモジュールを提案。シミュレーションと実機で操作精度が向上することを示した。
原題: ExStereo: Lifting 2D Vision-Language-Action Models to 3D with Explicit Stereo Representations ／ I-Chun Arthur Liu, Jason Chen, Gaurav S. Sukhatme 他
日本語で読む → - 論文VLAロボティクス
時間に根ざした操作：ロボットマニピュレーションにおける時間的グラウンディングのためのマルチソースデータセットとベンチマーク
ロボット操作において過去の出来事に基づく意思決定を評価するためのデータセットとベンチマークGiTを提案し、実世界とシミュレーションの両方で履歴依存タスクにおけるVLAモデルの性能を評価した。
原題: Grounded in Time: A Multi-Source Dataset and Benchmark for Temporal Grounding in Robotic Manipulation ／ Yi Wang, Yang Yang, Guangqi Xu 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 → - 論文VLAロボティクス
実演からのタスク・動作計画をハイブリッドフローマッチングで学習
少数の実演から離散フローマッチングで記号計画を、連続フローマッチングで動作軌道を同時生成し、閉ループで実行する移動マニピュレーション手法を提案。
原題: Learning Task and Motion Plans from Real Demonstrations with Hybrid Flow Matching ／ Zuleika Redondo Garcia, Andreu Matoses Gimenez, Javier Alonso-Mora
日本語で読む → - 論文VLAロボティクス
RoboIRS: 推論時の内部表現操作による汎用ロボットポリシーの性能改善
成功・失敗ロールアウトから線形分類器を学習し、ポリシーの内部表現を推論時に操作することで、パラメータ更新なしに分布外タスクでの成功率を向上させる手法を提案。
原題: RoboIRS: Inference-Time Internal Representation Steering for Generalist Robot Policies ／ Jiuzhou Lei, Chang Liu, Dayou Li 他
日本語で読む → - 論文VLA量子化画像認識
CHASE-VLA: チャンク認識型スケール推定による視覚-言語-行動モデルの訓練後量子化フレームワーク
VLAモデルの拡散ベース行動エキスパートをW4A4に量子化する際、生成済み行動チャンクとノイズ除去ステップ情報を活用して活性化スケールを適応させ、精度を維持しつつメモリを大幅削減する手法を提案。
原題: CHASE-VLA: Post-Training Quantization Framework for Vision-Language-Action Models with Chunk-Aware Scale Estimation ／ Jin Hyun, Jung Gyu Min, Gyuhyun Jung 他
日本語で読む → - 論文VLAロボティクス
SUAVE: マスク拡散による統合映像行動モデル
言語・映像・行動を離散トークンの共有系列で扱うマスク拡散トランスフォーマーを提案し、推論時のマスク選択で世界モデル・ロボット方策・映像行動モデルを単一ネットワークで実現した。
原題: SUAVE: Unified Video-Action Models via Masked Diffusion ／ Rhythm Syed, Jean Mercat, Sedrick Keh 他
日本語で読む → - 論文VLA画像認識
観測動画から直接行動方策を事前学習するNAVA-WAM
行動ラベルなしの観測動画から未来映像の予測を手がかりに行動方策を直接事前学習し、少数の実演でロボット制御に適応させる手法を提案。
原題: Native Action-Prior Learning from Videos for World Action Models ／ Zhaochong An, Fei Zhang, Menglin Jia 他
日本語で読む → - 論文VLAロボティクス
GeoScaffold: 再構成によるコンパクトな幾何潜在表現の学習で効率的な視覚言語ナビゲーションを実現
訓練時のみ幾何再構成を監督として使い、推論時には追加コストなしで3D幾何を内部化した視覚言語ナビゲーションポリシーを学習する手法。
原題: GeoScaffold: Learning Compact Geometric Latents via Reconstruction for Efficient Vision-Language Navigation ／ Yixuan Jiang, Wentong Li, An Liu 他
日本語で読む → - 論文VLAロボティクス
固有感覚スケッチを長期意図として用いる生成的行動ポリシー
ロボットの残りの関節空間経路を時間に依存しないコンパクトなスケッチとして生成し、それを条件に実行可能な行動チャンクを生成するPAMを提案。実機双腕タスクで成功率を47.5%から75.0%に向上させた。
原題: Proprioceptive Sketches as Long-Horizon Intent for Generative Action Policies ／ Fangyuan Wang, Songhao Huang, Haoxiang Sun 他
日本語で読む → - 論文VLA機械学習
高レベルロボット計画の安全性検証における洗練ギャップの監査
言語指示に基づくロボット計画と時相論理安全モニタの間で、実行時の暗黙効果が考慮されず安全判定がずれる問題を調査し、グラフベースのトレース洗練を軽量な対策として提案した。
原題: Mind the Refinement Gap: When Safe High-Level Robot Plans Produce Unsafe Executions ／ Stabak Das, Priyesh Ranjan, Xiangfang Li 他
日本語で読む → - 論文VLAロボティクス
検出して抑制：VLAモデルにおける敵対的パッチへのメカニズム的防御
VLAモデルの内部表現をスパースオートエンコーダで解析し、敵対的パッチの存在と相関する特徴を検出して推論時に抑制することで、ファインチューニングなしにロバスト性を向上させる手法を提案。
原題: Detect and Suppress: A Mechanistic Defense against Adversarial Patches in VLA Models ／ Yukiya Horiba, Koshiro Aoki, Shunsuke Yasuki 他
日本語で読む → - 論文VLAロボティクス
XGenAct: クロスタスク生成による幾何学強化型ワールドアクションモデル
RGB観測・行動・深度・法線・機能セグメンテーションを統一的なRGB動画表現に変換し、単一の動画拡散トランスフォーマで予測するワールドアクションモデルを提案。RLBenchで52%の成功率を達成。
原題: XGenAct: Geometry-Enhanced World Action Models through Cross-Task Generation ／ Tingting Du, Ziyao Wang, Guoheng Sun 他
日本語で読む → - 論文VLAcs.CR
Localize-and-Detect: 命令チューニングモデルにおけるタスクレベルポイズニングの監査
ベースモデルとファインチューニング済みモデルの出力のみを用いて、タスクレベルポイズニングの標的タスクを特定し、偏った内容を検出する2段階のブラックボックス監査手法を提案。
原題: Localize-and-Detect: Auditing Task-Level Poisoning in Instruction-Tuned Models ／ Luze Sun, Cristina Nita-Rotaru, Alina Oprea
日本語で読む → - 論文VLAロボティクス
RAIN: 領域認識型インタラクションネットワークによるロボットタスクの汎化
タスクを目標条件付きサブタスクの系列として定式化し、対象領域マスクとアクション種別で指定することで、学習済みスキルを新しい物体やシーン配置に再利用・組み合わせできるVLAモデルを提案した。
原題: RAIN: Robotic Task Generalization with Region-Aware Interaction Networks ／ Seunghun Lee, Kyuhwan Shim, Yeogyeong Song 他
日本語で読む → - 論文VLAロボティクス
レジスタ経由遅延融合：視覚運動模倣におけるショートカットしやすい観測融合の再配線
視覚と言語・固有感覚などのコンパクト信号の融合経路を制御するRRDFを提案し、レジスタを介した遅延融合で視覚応答性と模倣性能を改善した。
原題: Register-Routed Delayed Fusion: Rewiring Shortcut-Prone Observation Fusion in Visuomotor Imitation ／ Jieting Long, Weidong Cai, Weiming Zhi
日本語で読む → - 論文VLA画像認識
未来を想像し要点を内在化：時空間想像を内部化した効率的VLA推論
VLAモデルが将来のシーン変化を視覚表現空間で想像して行動予測を導く推論手法を提案し、その推論結果をコンパクトなトークンに内在化することで推論時の計算を大幅に削減した。
原題: Imagine the Future, Internalize the Gist: Efficient VLA Reasoning via Internalized Spatiotemporal Imagination ／ Shenglan Li, Zhendong Mi, Hengyi Zhu 他
日本語で読む → - 論文VLAロボティクス
相互作用中心のスペクトル潜在誘導による世界行動学習
一人称視点動画から手と物体の相互作用に着目した潜在行動を抽出し、周波数領域でロボット行動と共有される低周波成分を利用して操作ポリシーへ転移する手法WINGを提案。
原題: World Action Learning via Interaction-Centric Spectral Latent Guidance ／ Zhiming Liu, Yikun Miao, Ying Chen 他
日本語で読む → - 論文VLAロボティクス
MixVLA: 非不変情報の適応的混合による汎化可能な視覚-言語-行動モデル
VLAモデルの汎化性能を高めるため、環境固有の非不変表現を確率的に混合して正則化する学習フレームワークを提案し、OOD条件下でのロバスト性を向上させた。
原題: MixVLA: Adaptive Mixing of Non-Invariant Information for Generalizable Vision-Language-Action Models ／ Pingrui Zhang, Yu Zhang, Pengyuan Wu 他
日本語で読む → - 論文VLAロボティクス
ManiPhysicsBench：VLAマニピュレーションにおける物体保存の物理ベース評価
VLAモデルが物体を破壊せずに操作できるかを評価する物理ベースのベンチマークManiPhysicsBenchを提案し、既存モデルがタスク成功率は高くても安全成功率は低いことを示した。
原題: ManiPhysicsBench: Physics-Based Assessment of Object Preservation in VLA Manipulation ／ Sangwu Park, Yeonjun In, Wonjoong Kim 他
日本語で読む → - 論文VLAロボティクス
FastOPD：軽量VLA展開のためのオンポリシー蒸留
大規模VLAモデルをオンポリシー蒸留で軽量な生徒モデルに圧縮し、少ない推論ステップで実機展開を可能にするフレームワークを提案。
原題: FastOPD: On-Policy Distillation for Lightweight VLA Deployment ／ Yoojin Oh, Jeongsol Kim, Yeonwoo Seo 他
日本語で読む → - 論文VLAロボティクス
身体性エージェント間の表現アラインメントについて
身体性エージェント間の表現の不一致が相互作用に与える影響を関係的十分性として定式化し、相互作用に必要なアンカー数を導出した理論研究。
原題: On Representational Alignment among Embodied Agents ／ Fulvio Mastrogiovanni
日本語で読む → - 論文VLAロボティクス
フロンティア推論とロボット実行の橋渡し：自律的デモ生成から密な言語監督まで
フロンティアモデルでデモを自動生成し高速なローカル方策を訓練するとともに、プリミティブ・原子・複合の3階層にわたる密な言語監督を導入することで、長期的タスクにおける指示追従の信頼性を高めた研究。
原題: Bridging Frontier Reasoning and Robot Execution: From Autonomous Demonstration Generation to Dense Language Supervision ／ Bosung Kim, Alexander Trevithick, Ruiyi Wang 他
日本語で読む → - 論文VLA画像認識
EMGと視覚タスク記述子によるVLAの連続的条件付け
VLAモデルに筋電図と視覚セグメンテーションを追加条件として与える2つの手法を提案し、混雑した未知環境でのタスク性能が言語条件のみより大幅に向上することを示した。
原題: Continuous Conditioning of VLAs with Augmenting EMG and Visual Task Descriptors ／ Edward W. Staley, Connor O. Pyles, Rahul Hingorani 他
日本語で読む → - 論文VLAAI
漸進的視覚計画による世界行動モデリング
将来の視覚と行動を同時予測する世界行動モデルにおいて、疎な視覚サブゴール列を段階的に予測することで長期的タスクを効率的に計画・実行する手法ProWAMを提案。
原題: World Action Modeling with Progressive Visual Planning ／ Fei Zhang, Zhaochong An, Duncan Frost 他
日本語で読む → - 論文VLAロボティクス
UniWAM：統合された世界行動モデル
物理推論・映像生成・行動予測を統合したモデルで、人間の一人称視点データとロボットデータを活用し、複数の評価でSOTAを達成した。
原題: UniWAM: Unified World-Action Model ／ Jiayi Chen, Wenxuan Song, Jingbo Wang 他
日本語で読む → - 論文VLA画像認識
ATI-VLA: 行動中心の予測型視覚-言語-行動モデル
予測観測と行動の表現を共有コードブックで揃え、予測潜在を行動生成に適応的に注入することで、操作タスクの性能と収束速度を向上させたVLAモデル。
原題: ATI-VLA: Action-Centric Predictive Vision-Language-Action Models via Actionable Alignment Then Adaptive Injection ／ Yijie Zhu, Rui Shao, Jie He 他
日本語で読む → - 論文VLAロボティクス
eRLT: 行動に関連するトークンルーティングによる効率的なVLA強化学習
凍結したVLAモデルからタスク固有の行動関連特徴をトークンと層をまたいで抽出し、強化学習のサンプル効率を向上させる手法を提案。
原題: eRLT: Efficient VLA Reinforcement Learning via Action-Relevant Token Routing ／ Dehao Huang, Jianbang Liu, Jianpan Gao 他
日本語で読む → - 論文VLA画像認識
WAMJET: ワールドアクションモデル高速化のためのエージェントハーネス
コーディングエージェントに最適化ガイドと計測・検証ツールを与え、ロボット操作向けワールドアクションモデルの推論を最大9.95倍高速化するフレームワークを提案。
原題: WAMJET: A Harness for World Action Model Acceleration ／ Le Chen, Lixin Liu, Jan Schneider 他
日本語で読む → - 論文VLAロボティクス
成功だけでは不十分？卓上マニピュレーションにおけるVLAの挙動に対する入力摂動の影響調査
VLAモデルのロバスト性をタスク成功率だけでなく、成功軌道の動きの滑らかさや効率、グリッパ挙動といった振る舞いの観点から評価するフレームワークを提案し、LIBERO系ベンチマークで摂動が成功時の挙動を変化させることを示した。
原題: Is Success All You Need? Investigating the Impact of Input Perturbations on VLA Behaviour in Tabletop Manipulation Tasks ／ Sophie Higham, Riccardo Andrea Izzo, Matteo Matteucci 他
日本語で読む →