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: 2026/11/6 ／ 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VLAロボティクス
DobotTrack: 目標接地型視覚-言語-行動学習による身体化人物追跡
参照記述から対象人物を特定し追従する移動エージェント向けに、マスク・バウンディングボックス等の補助接地監督と履歴圧縮モジュールを統合したVLAフレームワークを提案し、四脚ロボット実データも構築した。
原題: DobotTrack: Target-Grounded Vision-Language-Action Learning for Embodied Person Tracking ／ Shengjun Deng, Yinghan Zhang, Chengrui Wei 他
日本語で読む → - 論文VLAロボティクス
意図認識で安全な人型ロボットのソーシャルタッチを実現するVLA制御
人型ロボットが握手やハグなどの接触を伴う社会的インタラクションを安全に行えるよう、意図認識で動作をゲートするVLAパイプラインを構築し、複数モデルを比較評価した。
原題: AffectiveVLA: Safe and Intent-Aware VLA Control for Human-Humanoid Social Interaction ／ Nikita Kuzmin, Georgii Demianchuk, Mariya Lezina 他
日本語で読む → - 論文VLAロボティクス
較正済み潜在プロービングによるVLAモデルの失敗予測と分類
VLAモデルの潜在層に軽量プローブを挿入し、失敗の早期検出・検出漏れ/誤警報率の上限保証・失敗モード分類を低オーバーヘッドで実現した研究。
原題: Failure Prediction and Classification in Vision-Language-Action Models Via Calibrated Latent Probing ／ Michal P. Podolinsky, Yunhao Yang, Daniel Little 他
日本語で読む → - 論文VLAロボティクス
運動学的仮説コンテキスト：帯域制限されたロボット方策アップリンクのための身体性条件付き学習ビデオ符号化
ロボットの関節状態とカメラ校正から両端で生成できるゼロレートの条件信号「運動学的仮説コンテキスト」を導入し、学習型ビデオ符号化の帯域を大幅に削減して遠隔VLA方策の成功率を向上させた論文。
原題: Kinematic Hypothesis Context: Embodiment-Conditioned Learned Video Coding for Bandwidth-Limited Robot Policy Uplinks ／ Yuze Lu
日本語で読む → - 論文VLAロボティクス
La-JEPA：潜在世界モデリングによるコンパクトなロボットポリシー
事前学習済みV-JEPAエンコーダの特徴空間でゼロから学習する小型のワールドアクションモデルを提案し、少ないパラメータでロボット操作の最先端性能と高速推論を実現した。
原題: La-JEPA: Compact Robot Policies with Latent World Modeling ／ Mateo Clémente, George Z. Xue, Amin Abyaneh 他
日本語で読む → - 論文VLAロボティクス
HITCH: 全身ハーネスでヒューマノイドを操作する視覚言語モデルの学習
視覚言語モデルが画像内の点を3D位置として認識し、骨盤・胴体・手・歩行・視線のコマンドを全身動作に変換するハーネスを構築し、教師軌跡で微調整することで実機G1での箱運び歩行を実現した。
原題: HITCH: Teaching a Vision-Language Model to Operate a Humanoid through a Whole-Body Harness ／ Qingzhou Lu, Chenxin Liu, Xinming Wang 他
日本語で読む → - 論文VLAAI
自然言語タスク記述から視覚接地された報酬機械を生成するRM-VLM
LLMが自然言語のタスク記述から報酬機械を生成し、VLMが画像観測上で命題を接地することで、手作業のラベリング関数なしに非マルコフ的タスクの強化学習を可能にした手法。
原題: RM-VLM: From Natural-Language Task Descriptions to Vision-Grounded Reward Machines ／ Roko Parac, Christos Ziakas, Leo Ardon 他
日本語で読む → - 論文VLAロボティクス
進捗推定で文脈検索するVLAのインコンテキスト学習
参照動画からタスク進捗を推定する価値関数を用いて、現在の実行段階に合った実演チャンクを検索し、VLAモデルのインコンテキスト学習を実現した研究。未見の実世界マニピュレーションで成功率を6.2%から23.8%に向上させた。
原題: VICTR: Value-Informed In-Context Learning for Vision-Language-Action Models ／ Luca Macesanu, Tianluo Zhang, Aditya Patil 他
日本語で読む → - 論文VLAロボティクス
画像ポリシーに3D形状知識を蒸留する形状教師アライメント
展開時は画像のみを使うポリシーの訓練中に、事前学習済み3D形状表現(Point-MAE)を教師として画像パッチ特徴を整合させ、幾何構造を獲得させる手法を提案。LIBEROで収束を大幅に加速し成功率も向上。
原題: Aligning Policy Encoders with a Shape Teacher ／ Madelon Bernardy, Mohammad Mahdi Derakhshani, David M Knigge 他
日本語で読む → - 論文VLAロボティクス
T3R: 学習不要の二段階トークン精錬による効率的で堅牢なVLAモデル
VLAモデルの推論コスト削減のため、セグメンテーション誘導のトークン枝刈りと顕著性誘導の注意バイアスを組み合わせた学習不要の二段階フレームワークを提案し、精度を保ちつつ計算量と分布シフトへの頑健性を改善した。
原題: T3R: Training-Free Two-Stage Token Refinement Towards Efficient and Robust VLA Models ／ Mohammed Hassan, Zhenyang Chen, Zheng Wang 他
日本語で読む → - 論文VLAロボティクス
失敗から学ぶVLAの汎用リカバリ学習フレームワーク
少数の修正デモから失敗の意図を推論し、空間表現と条件付きコストとして知識を符号化することで、VLAモデルが新規物体やシーン変化にも汎化できるリカバリ動作を学習する手法を提案。
原題: OopsieRecover: Learning Transferable VLA Corrections from Semantic Interventions ／ Arpit Bahety, Skand Peri, Sriniket Ambatipudi 他
日本語で読む → - 論文VLAロボティクス
SLA：継続的事前学習による空間・言語・行動モデルのスケーリング
3D知覚モデルの空間表現とVLAの中間視覚埋め込みを整合させることで、空間理解を基盤能力として継続的事前学習するSLAモデルを提案。異種ロボットデータを統合し、多様な実機・タスク・環境での操作性能を高めた。
原題: SLA: Scaling Spatial-Language-Action Model via Continual Pre-training ／ Fuhao Li, Wenxuan Song, Qizhou Huang 他
日本語で読む → - 論文VLA画像認識
Concertina: 拡散型視覚言語モデルに操作と認知を統合するeVLM
操作と認知を同一の拡散型視覚言語モデル骨格上で統合し、連続軌道を潜在トークンとして生成するEmbodied VLMを提案。
原題: Concertina: Embodying Manipulation and Cognition in One Diffusion Vision-Language Model ／ Chengcheng Wang, Wei He, Wenhao Li 他
日本語で読む → - 論文VLAロボティクス
Embodied RAG++：実在物から実現可能物へ、身体性シーンにおける検索拡張生成
ロボットが物体の機能要件と到達可能性を満たす組み合わせを選べるよう、動的ハイブリッドシーングラフと製品マニュアルを結びつけたベンチマークE2W-Benchと、空間推論でロボット-物体の実現可能性を判定する検索拡張生成フレームワークを提案した。
原題: Embodied RAG++: Retrieval-Augmented Generation From What Exists to What Works in Embodied Scenes ／ Fan Yang, Tatsuya Kikuzuki, Jun Liang 他
日本語で読む → - 論文VLAロボティクス
Meituan-Robotics-0: デスクトップ操作のための視覚言語行動基盤モデル
視覚言語データと多様なロボット軌道を組み合わせ、離散行動トークン事前学習・フローマッチング中間学習・実環境後学習の3段階で訓練したデスクトップ操作向けVLA基盤モデル。Rollbackによる効率的な人間修正学習と非同期行動チャンク統合、イベント駆動エージェントを導入し、実ロボットタスクで高い成功率を達成。
原題: Meituan-Robotics-0: A Vision-Language-Action Foundation Model for Desktop Manipulation ／ Meituan Robotics Team, Caicheng Wang, Chen Zhao 他
日本語で読む → - 論文VLA画像認識
ピクセルから行動へ：ネイティブな視覚-言語-行動ポリシーに向けて
視覚エンコーダを排除し、画像パッチを言語と共にバックボーン内で進化させて行動生成に直接利用するNEO-VLAを提案。操作タスクでエンコーダベース手法より強く頑健な制御を実現した。
原題: From Pixels to Actions - Towards Native Vision-Language-Action Policies ／ Weichen Fan, Haiwen Diao, Penghao Wu 他
日本語で読む → - 論文VLA画像認識
Open-HumanScale：身体性基盤モデルのための人間・ロボット経験スケーリングのオープンレシピ
50,000時間の一人称視点人間動画を整備し、人間動画の事前学習時間とロボット成功率の対数線形スケーリング則を発見。人間のみ事前学習のHumanWAM-Vanillaと人間・ロボット混合学習のHumanWAM-Goalを開発し、RoboTwin 2.0で最先端性能を達成した。
原題: Open-HumanScale: An Open Recipe for Scaling Human and Robot Experience for Embodied Foundation Models ／ Juncheng Ma, Jiaxin Li, Jiankai Tu 他
日本語で読む → - 論文VLAAI
証拠中心の能動的情報探索エージェントフレームワークEviSeek
質問から導かれる「証拠要求」を明示的な獲得目標として扱い、視点変更や物理的相互作用を通じた能動的情報探索を訓練なしで行うフレームワークを提案した。
原題: EviSeek: An Evidence-Centric Agentic Framework for Embodied Active Information Seeking ／ Jintao Li, Zhiyong Cao, Baihua Xiao 他
日本語で読む → - 論文VLAロボティクス
空間幾何を活用したUMI操作のためのワールドアクションモデル
RGB-DのUMIデータで学習し、将来のRGB・メートル深度・行動を同時予測する5Bのワールドアクションモデルを提案し、ロボット実機や環境変化への汎化を評価する新ベンチマークも構築した。
原題: Spatial-UMI-Dream: Scaling World Action Models with Metric Geometry for UMI Manipulation ／ Weiduo Yuan, Ze Yuan, Sihan Liu 他
日本語で読む → - 論文VLA/推論最適化ロボティクス
VLA推論時間はどこで消費されるのか？GPU間のボトルネックと最適化の相互作用
7種類のVLAモデルと4世代のGPUで7系統の推論最適化手法を計測し、CPU起動オーバーヘッドやメモリ帯域、カーネル効率が最適化効果をどう左右するかを分析して、最適化を積み重ねる際の指針VLA-Triageを導出した論文。
原題: Where Is VLA Inference Time Spent? Bottlenecks and Optimization Interactions Across GPUs ／ Muhammad Danish Waseem, Ahmed Ali-Eldin Hassan
日本語で読む → - 論文VLAロボティクス
A³-VLA: 操作プロセスから自動生成した知覚ガイドで注意を整列させるロボットマニピュレーション手法
操作中の視覚変化から対象物・ロボット領域を自動抽出し、注意配分損失と対照学習でVLAの注意をタスク重要領域へ誘導するフレームワーク。複数のVLAバックボーンで成功率を6.5〜25.2%向上させた。
原題: $A^3$-VLA: Automatic Perception-Guided Attention Alignment for Robot Manipulation ／ Shengzhe Zhang, Qi Zhang, Dazhong Shen 他
日本語で読む → - 論文VLAロボティクス
Astraで低コストに長期記憶タスクを解く三層ロボット操作システム
大規模視覚言語プランナー・VLAポリシー・軽量モニタの三層構成で、呼び出し回数を抑えつつ長期記憶を要する操作タスクを高精度に遂行する手法を提案。
原題: Can Astra Solve RoboMME without Breaking the Bank? ／ Bingao Chen, Haoquan Fang, C. Karen Liu
日本語で読む → - 論文VLAロボティクス
アクション専門家はVLMを訓練すべきか？Mixture-of-Transformer型VLAにおけるアクショントークン監督と勾配経路
VLAモデルでVLMへの勾配遮断とアクショントークン監督を独立に操作し、運転とマニピュレーションで比較した研究。アクショントークン監督があれば勾配遮断でも遜色なく、なければ結合が軌道予測誤差を約25%低減することを示した。
原題: Should the Action Expert Train the VLM? Action-Token Supervision and Gradient Routing in Mixture-of-Transformer VLAs ／ Asher James Hancock, Boyi Li, Yuxiao Chen 他
日本語で読む → - 論文VLAロボティクス
環境AIによる手術室ヒューマノイド自律のためのエージェント型オーケストレーション
壁面カメラとロボット頭部カメラを統合したデジタルツイン上でLLMエージェントが計画し、ヒューマノイドの手術室内自律作業を実現するActORを提案・評価した。
原題: ActOR: Ambient AI-Based Agentic Orchestration for Humanoid Autonomy in Operating Rooms ／ Han Zhang, Sicheng Lu, Aleks Santari 他
日本語で読む → - 論文VLAロボティクス
行動意図を橋渡しに：人間視点動画からロボットへ操作知識を転移する手法
人間の動画から明示的な行動意図を抽出し、人間とロボットで共有する意図空間で対応付けることで、実機データなしに操作知識をロボットへ転移する二段階手法AITを提案した。
原題: Action Intent as a Bridge: Transferring Manipulation Knowledge from Human-Centric Videos to Robots ／ Zhiqian Xia, Lianyang Ma, Haifeng Xia 他
日本語で読む → - 論文VLAロボティクス
RAFT: 推論整合ファインチューニングによるVLAポストトレーニングのロバスト性向上
タスク関連の推論アノテーションで低ランクアダプタを学習してから固定し、行動デモでポリシーを微調整する2段階手法RAFTを提案。実機ロボットで分布外成功率を27.9%から75.0%へ大幅改善した。
原題: RAFT: Reasoning-Aligned Fine-Tuning Improves Robustness of VLA Post-Training ／ Shresth Grover, Andrey Kolobov, Dhruv Shah
日本語で読む → - 論文VLA画像認識
サイクル整合性で行動と映像を結びつけるCycle WAM
行動と映像の双方向変換にサイクル再構成損失を導入し、事前学習済み映像モデルの知識を活かして順・逆ダイナミクスを統合的に学習する手法を提案した論文。
原題: Cycle WAM: Coupling Action and Video through Cycle Consistency ／ Qinglin Yang, Jiepeng Wang, Yuxing Huang 他
日本語で読む → - 論文VLAロボティクス
曖昧な指示を対話で明確化する認知駆動型ロボット整理フレームワークCLARA
「部屋を片付けて」のような曖昧な指示に対し、人間のように質問を投げかけて整理の詳細を引き出し、拡散モデルで最終シーンの画像を生成して確認する枠組みを提案した論文。
原題: CLARA: A Cognitively-Driven Clarification Framework for Grounding Ambiguous Requests ／ Dimitrios Bekris, Marios Glytsos, Panagiotis P. Filntisis 他
日本語で読む → - 論文VLAロボティクス
想像された未来を信頼する：VLA事後学習のための想像報酬監査
映像世界モデルが予測する報酬の過大評価を実行フィードバックで監査し、VLA事後学習のオフライン監督選択を改善する手法TIFを提案。
原題: Trusting Imagined Futures: Auditing Imagined Rewards for VLA Post-Training ／ Zicheng Kong, Zhenbo Xu, Haoyan Zhang 他
日本語で読む → - 論文VLAAI
人間のデモをロボットVLAポリシーへ橋渡しする共同学習フレームワーク
人間とロボットの非ペアデモから、表現と行動空間の両面で身体性ギャップを橋渡しし、事前学習済みVLAポリシーを適応させるH2RBを提案した。実世界タスクで物体・スキル転移性能を大幅に向上させた。
原題: Human-to-Robot Transfer via Bridging Representation and Action Space in VLAs ／ Junhyeong Park, Wook Jung, Taeyoung Kim 他
日本語で読む →