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: 2026/10/1 ／ arXivを3時間ごとに自動収集

• 論文VLAロボティクス2026/10/1

  WBAG: 視覚言語行動マニピュレーションのための全身・把持物体ジオメトリ安全フレームワーク

  VLAポリシーの実行時に、ロボット全身と把持物体の形状を考慮した安全制約を微分可能CBFとして組み込み、衝突を回避しながらタスクを遂行する枠組みを提案。

  原題: WBAG: A Whole-Body and Attached-Geometry Safety Framework for Vision-Language-Action Manipulation ／ Samuel Zhen, Siwon Jo, Yanze Zhang 他

  日本語で読む →
• 論文VLAロボティクス2026/10/1

  世界校正型Proposal-to-Actionフローによる視覚言語行動モデル

  VLAポリシーの生成開始点を直近の動作から予測可能にし、世界モデルで校正した異方性ソースで行動を生成するProActを提案。

  原題: World-Calibrated Proposal-to-Action Flow for Vision-Language-Action Models ／ Jie He, Wei Li, Junwen Tong 他

  日本語で読む →
• 論文VLAロボティクス2026/10/1

  効果を保ち、実行者を捨てる：プログラム可能な効果-実行ワールドアクションモデル

  物体の動き（効果）だけをプログラム化し、それを任意のロボットで実行できるワールドアクションモデルPEWAMを提案。単一のデモから効果プログラムを生成し、4種のアームで再学習なしに動作する。

  原題: Keep the Effect, Drop the Actor: Programmable Effect-to-Execution World-Action Models ／ Junyi Hu, Zhewen He, Zhenhua Li 他

  日本語で読む →
• 論文VLAロボティクス2026/10/1

  世界行動モデルのための完了認識ガイダンス

  世界行動モデルがタスク完了に必要な遷移を予測できない問題に対し、学習不要のサンプリング手法CAGを提案し、タスク成功率を向上させた。

  原題: Completion Aware Guidance for World Action Models ／ Seungyeon Kim, Junhoo Lee, Baekseung Kim 他

  日本語で読む →
• 論文VLAロボティクス2026/10/1

  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ロボティクス2026/10/1

  世界運動モデル：SE(3)軌道の柔軟な系列モデリング

  動的3D世界の要素を剛体SE(3)軌道として表現し、フローマッチングによる系列モデリングで予測・補間・制御・IK・リターゲティング・方策学習を統一的に扱う手法を提案。

  原題: World Motion Models: Flexible Sequence Modeling of SE(3) Trajectories ／ Jiahui Lei, Qianqian Wang, Trevor Darrell 他

  日本語で読む →
• 論文VLAロボティクス2026/10/1

  NarrativeFlow: ロボット速度場を用いたフローベース視覚-言語-行動モデル

  言語条件付き操作において、ロボットの速度場を連続的なフローとしてモデル化し、フローマッチングで生成する手法を提案。複数ロボットのデータを活用でき、実世界タスクで成功率が向上。

  原題: NarrativeFlow: Flow-Based Vision-Language-Action Model Using Robot Velocity Fields ／ Shota Kobayashi, Koki Seno, Daichi Yashima 他

  日本語で読む →
• 論文VLA画像認識2026/10/1

  CtrlWAM: 意図と予見を整合させた制御可能なワールドアクションモデル

  摂動させた行動をシミュレータで実行し、その視覚的結果と対応付けて学習することで、行動予測と映像生成の整合性を高めた制御可能なワールドアクションモデルを提案。

  原題: CtrlWAM: Controllable World Action Models with Aligned Intent and Foresight ／ Chensheng Peng, Wenhao Ding, Ran Tian 他

  日本語で読む →
• 論文VLAロボティクス2026/10/1

  OpenRUA: ロボット利用エージェントはゼロショット視覚運動ポリシーである

  コーディングエージェントにロボットのネイティブソフトウェアROS 2への端末アクセスのみを与える最小構成のハーネスを提案し、専用設計なしでゼロショットの視覚運動ポリシーとして機能することを示した。

  原題: OpenRUA: Robot-Use Agents Are Zero-Shot Visuomotor Policies ／ Zhaoyang Chu, Earl T. Barr, Claire Le Goues 他

  日本語で読む →
• 論文VLAロボティクス2026/10/1

  キネマティックMeanFlow：ロボット基盤モデルのための一段階行動生成ポリシー

  多段階フローマッチングの推論遅延を解消するため、速度場のダイナミクスを運動学的に分解した一段階行動生成ポリシーK-MFを提案し、GR00T-N1.6の遅延を大幅に削減した。

  原題: Kinematic MeanFlow: One-Step Action Generation Policy for Robotic Foundation Models ／ Jiawei Fan, Sifeng Wang, Yuqing Hou 他

  日本語で読む →
• 論文VLAロボティクス2026/10/1

  TOAST: 自己回帰型視覚-言語-行動モデルのための確率的ロボット行動トークン化

  同じ行動列を複数のトークン列で表現できる冗長性を活かし、学習時に確率的にサンプリングするトークン化手法を提案。データが少ないほど精度が向上し、実機タスクでも有効性を示した。

  原題: TOAST: Stochastic Robot Action Tokenization for Autoregressive Vision-Language-Action Models ／ Keisuke Shirai, Tomohiro Motoda, Hanbit Oh 他

  日本語で読む →
• 論文VLAロボティクス2026/10/1

  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2026/10/1

  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画像認識2026/10/1

  トークンを減らして行動を改善：成功率14%向上・トークン65%削減を実現するGPT-6 Astraロボットエージェント

  ロボットプリミティブとVLAポリシーをPythonコードとして組み合わせ、必要な観測だけを要求するフレームワークPyRUA-Leanを提案。同一プランナーで成功率を63.1%から71.7%に向上させつつ、入力トークンを65%削減した。

  原題: Fewer Tokens, Better Action: GPT-6 Astra Robot Agents with 14% Higher Success Rate but 65% Fewer Tokens ／ Ruiyang Si, Jianxin Bi, Shunyu Yang 他

  日本語で読む →
• 論文VLAロボティクス2026/10/1

  SocialVLA：人間の反応を利用したVLAマニピュレーションの失敗検知と回復のための社会的知覚ゲートウェイ

  ロボットの失敗時に人間が示す音声・表情・発話などの自然な反応をリアルタイムで検知し、VLAポリシーを一時停止・修正する介入信号に変換するシステムを提案・実機評価した。

  原題: SocialVLA: A Social Perception Gateway for Human-Reaction-Based Failure Detection and Recovery in VLA Manipulation ／ Sofya Konstantinova, Miguel Altamirano Cabrera, Artem Lykov 他

  日本語で読む →
• 論文VLAロボティクス2026/10/1

  UniTrackPLA：指示に基づくナビゲーションと動的人物追跡のための統合パノラマ・言語・行動モデル

  全方位パノラマ観測を活用し、言語指示ナビゲーションと人物追跡を単一モデルで行う統合VLAを提案。行動予測の一貫性検証により再計画を可能にし、シミュレーションと実環境で性能を向上させた。

  原題: UniTrackPLA: Unified Panorama-Language-Action Model for Instruction-Guided Navigation and Dynamic Person Tracking ／ Pengfei Qi, Haoran Lin, Sizhuang Chen 他

  日本語で読む →
• 論文VLAロボティクス2026/10/1

  CriticHack: ロボット方策最適化下での視覚報酬の評価

  学習した視覚報酬モデルで方策を最適化すると、報酬とタスク成功率が上がっても誤対象への失敗が増幅されることを示し、その原因をKL正則化下の傾きモデルで説明した論文。

  原題: CriticHack: Evaluating Visual Rewards Under Robot Policy Optimization ／ Jiaxuan Luo, Xingguo Xu, Shanshan Wang 他

  日本語で読む →
• 論文VLAロボティクス2026/10/1

  フロンティアVLMエージェントはロボット汎用istになれるか？Embodied Agent Arenaによる実証研究

  VLMのロボット汎用性を評価するベンチマーク「Embodied Agent Arena」を提案し、7つのVLMを幾何推定・空間推論・アフォーダンス・タスク計画・操作の観点で比較した。精密推定は得意だが、協調的な目標指向行動の完遂に課題が残ることを示した。

  原題: Are Frontier VLM Agents Ready to Be Robot Generalists? An Empirical Study with the Embodied Agent Arena ／ Haojian Huang, Pukun Zhao, Zexi Li 他

  日本語で読む →
• 論文VLAAI2026/10/1

  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2026/9/30

  Ego4WAM：ロボット学習のための自己中心的人間データのスケーリングで重要な要素は何か？

  自己中心的人間データをロボット学習に活用する際、人間とロボットのアライメント、タスク多様性、行動監督、利用戦略が下流性能に与える影響を体系的に分析し、データ設計の指針を示した。

  原題: Ego4WAM: What Matters When Scaling Egocentric Human Data for Robot Learning? ／ Zhihao Sun, Liu Liu, Xinjiang Wang 他

  日本語で読む →
• 論文VLAAI2026/9/30

  予測を超えて：回顧的世界モデリングによるVLMエージェントの誘導

  VLMエージェントに回顧的世界モデリングを導入し、行動の原因を逆推定する能力と自己整合性報酬を組み合わせることで、物理的に整合した行動を学習させる手法を提案。

  原題: Beyond Prediction: Steering VLM Agents with Retrospective World Modeling ／ Yongjiang Liu, Jie Zhang, Haoyue Zhang 他

  日本語で読む →
• 論文VLA画像認識2026/9/30

  Uruqi: 視覚体験から空間認知を学習する

  移動するエージェントの視覚体験を模した合成データでVLMを訓練し、自己運動の追跡と周囲の地図構築という空間認知能力を大幅に向上させた。

  原題: Uruqi: Learning Spatial Cognition from Visual Experience ／ Shichao Li, Meiqi Wang, Fei Su 他

  日本語で読む →
• 論文VLAロボティクス2026/9/30

  フローマッチングVLA方針のための自己教師あり軌道分布最適化によるオンライン進化戦略

  フローマッチングに基づくVLAモデルの行動軌道分布を、進化戦略を用いてオンラインで適応的に改善する手法を提案。

  原題: Online Evolution Strategy for Flow-Matching VLA Policies via Self-Supervised Trajectory Distribution Optimization ／ Gongxin Yao, Yongsheng Zhao, Jiayin Deng 他

  日本語で読む →
• 論文VLA画像認識2026/9/30

  履歴行動軌跡からのスキル学習：世界行動モデルのための行動経験辞書

  過去の行動軌跡を共有埋め込みとして辞書化し、操作タスク間でスキルを再利用できるようにした世界行動モデルを提案。

  原題: Learning Skills from Historical Action Trajectories: Action Experience Dictionary for World Action Models ／ Qi Lyu, Jiahua Dong, Hao Shen 他

  日本語で読む →
• 論文VLAロボティクス2026/9/30

  HiWE: 視覚キーポイント強化による階層的ワールド知識モデルを用いたゼロショット3D経路計画

  視覚的グラウンディングと言語ベースの計画を点ベースのインターフェースで結び、ゼロショットで3D操作経路を計画する階層的フレームワークを提案。

  原題: HiWE: Hierarchical World Knowledge Model with Visual Keypoint Enhancement for Zero-Shot 3D Path Planning ／ Guoqing Ma, Mingqi Yuan, Chen Gao 他

  日本語で読む →
• 論文VLAcs.CR2026/9/30

  SceneJail: 動画シナリオの文脈を悪用したマルチモーダルLLMのジェイルブレイク

  動画入力の周囲シナリオを適応的に構築・探索することで、有害クエリへの安全応答を回避するブラックボックス型ジェイルブレイク手法を提案し、8つのVideo-MLLMで最大91.5%の攻撃成功率を達成した。

  原題: SceneJail: Exploiting Video Scenario Context to Jailbreak Multimodal LLMs ／ Wenyu Chen, Li Wang, Chuanchao Zang 他

  日本語で読む →
• 論文VLAロボティクス2026/9/30

  視覚言語行動モデルへの普遍的敵対攻撃：ロボット操作における脆弱性の悪用

  ロボットの視界に置くだけでタスク成功率を大幅に下げる最適化された表面テクスチャを持つ球体を提案し、VLAモデルの軌道計画・実行・制御を同時に妨害する攻撃を実機とシミュレーションで検証した。

  原題: Exploiting Vulnerabilities: Universal Adversarial Attacks on Vision-Language-Action Models in Robotics ／ Songhua Yang, Ziyu Liu, Yuanwei Liu 他

  日本語で読む →
• 論文VLAロボティクス2026/9/30

  実行時フィードバックから失敗バンク自己進化による視覚言語行動モデルの学習

  VLAモデルが実行時の安全フィードバックを失敗バンクとして蓄積し、LoRA更新でポリシーを自己進化させることで、タスク成功率を高めつつ危険コストを削減するフレームワークを提案。

  原題: Learning from Runtime Feedback through Failure-Bank Self-Evolution for Vision-Language-Action Models ／ Mingyue Cui, Zheyuan Liu, Yihan Zhu 他

  日本語で読む →
• 論文VLAロボティクス2026/9/30

  スケールと選択：視覚インターフェースロボットエージェントのための自動ハーネス進化を成功させる要因

  コーディングエージェントがロボットポリシーのハーネス（プロンプト・ツール・制御規則）を自動改善する際、1ラウンドあたりのロールアウト数を増やすと汎化性能が向上し、Champion-Challenger選択を導入すると性能低下を防げることを示した。

  原題: Scale and Selection: What Makes Automatic Harness Evolution Work for Visual-Interface Robot Agents ／ Zhijie Wei, Ferris Tan, Jinghui Wang

  日本語で読む →
• 論文VLAロボティクス2026/9/30

  ブラックアウト対フリーズ：カメラ故障下におけるVLAの物理的故障モードの分析

  視覚言語行動モデル（VLA）がカメラのブラックアウトやフリーズに直面した際の物理的な故障モードを分析し、固有感覚や視覚情報の役割を調査した。

  原題: Blackout vs. Freeze: Analyzing Physical Failure Modes of VLAs under Camera Faults ／ Heejae Suh, Jongwook Han, Zahra Gholami 他

  日本語で読む →