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: 2026/9/30 ／ 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
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 → - 論文VLAロボティクス
PhasePlan: ロボット脳モデルのための順序付き未来フェーズ計画
ロボット脳モデルが固定長の行動チャンクを予測する代わりに、将来の各行動位置でのタスクフェーズを予測し、その計画表現で行動生成を条件付けることで、動的環境での行動タイミングを改善する手法を提案。
原題: PhasePlan: Ordered Future-Phase Planning for Robot Brain Models ／ Xiaoyu Yang, Yafei Zhang, Wensheng Li 他
日本語で読む → - 論文VLAロボティクス
コードをポリシーとして再活用：フロンティアエージェントがロボットツールを書き、呼び出し、進化させる
LLMエージェントが再利用可能なロボットツールをコードとして生成・改良し、実行エージェントがそれを呼び出して動作を制御するURAIを提案。直接制御より成功率を大幅に向上させた。
原題: Make Code as Policy Great Again: Frontier Agents Write, Call, and Evolve Robot Tools ／ Shijia Ge, Alex Zhou, Jianshu Zeng 他
日本語で読む → - 論文VLAcs.CR
曲がる拒否：身体性VLMプランナーにおけるタスク可塑性の測定と予測
身体性VLMプランナーが一度拒否したタスクでも、環境に日常的な物体を1つ置くだけで20.2%が遵守に転じることを示し、この脆弱性（タスク可塑性）がクエリ前に予測可能であることを明らかにした。
原題: Refusals That Bend: Measuring and Predicting Task Malleability in Embodied VLM Planners ／ Leo Y. Lin, Mikhail Kuznetsov, Muslum Ozgur Ozmen 他
日本語で読む → - 論文VLAロボティクス
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
IronMind: カメラ空間自己中心事前学習によるヒューマノイド巧みな操作のスケーリング
自己中心的な人間動画と異種ロボットデータを用いて、カメラ空間行動表現で身体ギャップを埋め、ヒューマノイドの巧みな操作のためのVLAモデルを事前学習する手法を提案。
原題: IronMind: Scaling Humanoid Dexterous Manipulation via Camera-Space Ego-Centric Pretraining ／ Huimin Pan, Yufan Ren, Kunpeng Song 他
日本語で読む → - 論文VLAAI
ChronoGraph: 視覚言語モデルによる機能的な4Dシーングラフで相互作用理解と接地計画を実現
行動によるシーンの変化を4Dシーングラフとして表現し、視覚言語モデルで理解と計画を統合する手法を提案。グラフを思考連鎖として学習させ、実世界の移動マニピュレーションにも応用した。
原題: ChronoGraph: Functional 4D Scene Graphs with Vision-Language Models for Interaction Understanding and Grounded Planning ／ Chenyangguang Zhang, Malgorzata Gwiazda, Guanlong Jiao 他
日本語で読む → - 論文VLAロボティクス
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VLA画像認識
NavHarness: エージェント型視覚言語ナビゲーションのための適応的ゴール設定
視覚言語ナビゲーションにおいて、ゴール設定・検証・記憶圧縮・視覚運動実行の4エージェントで構成されるフレームワークを提案し、長期的タスクでの一貫性と推論効率を改善した。
原題: NavHarness: Adaptive Goals for Agentic Vision-Language Navigation ／ Haoxiang Shi, Zaijing Li, Muhe Ding 他
日本語で読む → - 論文VLAロボティクス
指示が軌道を呼び出すとき：VLAモデルの汎化失敗の診断と緩和
VLAモデルが言語と視覚を組み合わせて行動を選べず失敗する「指示-行動バインディング」問題を分析し、同指示で異なる行動を要するデータと損失で訓練するECTを提案した。
原題: When Instructions Retrieve Trajectories: Diagnosing and Mitigating Generalization Failures in VLA Models ／ Hung-Jen Chen, Yu-Hsun Hou, Yan-Hong Chen 他
日本語で読む → - 論文VLAロボティクス
MotionWeave: 動作中心の未来ダイナミクスを学習する視覚-言語-行動ポリシー
動作に関連する局所的な視覚変化を未来フレームから抽出し、それを行動トークンに注入することで、視覚-言語-行動モデルの行動予測精度を向上させる手法を提案。
原題: MotionWeave: Learning Motion-Centered Future Dynamics for Vision-Language-Action Policies ／ Jingqiu Wang, Yan Wang
日本語で読む → - 論文VLAロボティクス
DrivingBench：視覚言語モデルはトヨタ・カローラを運転できるか
汎用視覚言語モデルに実車（トヨタ・カローラ）を低速度で運転させ、推論遅延を含む長期的タスク遂行能力を評価する初のベンチマークを提案し、複数モデルの性能を比較した。
原題: DrivingBench: Can Vision-Language Models Drive a Toyota Corolla? ／ Aditya Ramabadran, Simon Mahns, Tobias Gessler
日本語で読む → - 論文VLAロボティクス
移動する障害物に対するVLAポリシーのマルチリンク安全フィルタリング
事前学習済みVLAポリシーを再学習せずに、腕の複数リンクを楕円体で覆い、RGB-D知覚とオプティカルフローで移動する障害物を追跡しながら衝突を回避する安全フィルタを提案。
原題: Multi-Link Safety Filtering for VLA Policies Around Moving Hazards ／ Yatharth Agarwal, Vijay Raghunathan
日本語で読む → - 論文VLA画像認識
インラインメモリと再利用可能スキルの融合：視覚-言語-行動モデルのためのメモリ中心フレームワーク
VLAモデルに学習可能なメモリトークンを挿入し、クエリ-スキルメモリバンクでスキルを外部化することで、パラメータ更新を抑えつつ新タスクへの適応と破滅的忘却の緩和を実現した。
原題: Inline Memory Meets Reusable Skills: Memory-centric Framework for Vision-Language-Action Model ／ Zaijing Li, Rui Shao, Bing Hu 他
日本語で読む → - 論文VLAロボティクス
Token-World: 視覚言語モデルのトークン空間におけるロボット操作のための世界モデリング
VLAモデルの視覚トークンを圧縮した状態空間で未来のダイナミクスを予測する世界モデルを提案し、操作ベンチマークで予測精度と方策整合性を向上させた。
原題: Token-World: World Modeling in Vision-Language Model Token Space for Robot Manipulation ／ Chuyao Fu, Xiaowei Chi, Yuhan Rui 他
日本語で読む → - 論文VLAロボティクス
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ロボティクス
DynaHarness：自己進化するロボットエージェントのための動的物理ハーネス
意味推論と物理実行を実行契約で結びつけ、失敗の帰属分析と回帰チェックにより再利用可能な能力を自己修正する枠組みを提案し、LIBERO-Proで凍結方策を大きく上回る成功率を達成した。
原題: DynaHarness: A Dynamic Physical Harness for Self-Evolving Robot Agents ／ Haoyuan Deng, Jiebin Liu, Tengxiao Zhang 他
日本語で読む → - 論文VLAロボティクス
Dream4ACT: 複数身体に対応した動画・行動モデリングのための共有視覚行動インターフェース
関節構成を4つの仮想カメラ映像として描画する「action views」で身体差を吸収し、単一の動画拡散モデルで順動力学・逆動力学・観測行動生成を統合した世界モデルを提案。
原題: Dream4ACT: A Shared Visual Action Interface for Multi-Embodiment Video-Action Modeling ／ Xiangyu Zhu, Jin Xu, Yue Guo 他
日本語で読む → - 論文VLAq-bio.QM
言語で生物学を制御する：細胞・オルガノイド・バイオボットに対するプロンプト条件付き介入のオフライン学習
視覚言語モデルの判定を唯一の報酬として、既存の実験アーカイブのみを用いたオフライン学習により、自然言語指示から生体（ゼノボット）への介入を対応付ける手法を実現した。
原題: Toward Controlling Biology with Language:Offline Learning of Prompt-Conditioned Interventions for Cells, Organoids, and Biobots ／ Nam H. Le, Douglas Blackiston, Michael Levin 他
日本語で読む → - 論文VLAロボティクス
Text-to-3D Policy: 未見仕様への汎化のための細粒度言語-行動アラインメント
言語指示と行動の対応をトークン単位で双方向に結びつけ、未見の細かい仕様変化にも対応できる3D拡散方策を実現した研究。
原題: Text-to-3D Policy: Fine-Grained Language-Behavior Alignment for Unseen Specification Generalization ／ Xinhao Yang, Wenhao Wu, Ning Lv 他
日本語で読む → - 論文VLAロボティクス
自己中心的全身体人間データの事前学習による汎用人型ロコマニピュレーションモデル
ウェアラブルシステムで収集した500時間の自己中心的人間行動データセットHumanVerse-500を構築し、それを用いた3段階学習で人型ロボットの全身視覚言語行動ポリシーλ0を開発した。
原題: Towards a General Humanoid Loco-Manipulation Model via Egocentric Whole-Body Human Data Pretraining ／ Chongyang Xu, Zhao Wu, Jin Chen 他
日本語で読む → - 論文VLAAI
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ロボティクス
推論が行動を助けるとき：視覚-言語-行動ポリシーにおける思考連鎖の監視と誘導
VLAポリシーの思考連鎖を途中で監視・誘導するTRUSTを提案し、運転タスクでは衝突率を削減したが、操作タスクでは行動改善に限界があることを示した。
原題: When Reasoning Helps Action: Monitoring and Steering Chain-of-Thought in Vision-Language-Action Policies ／ Sathwik Karnik, Joseph JR. Lee, Aryaman Gupta 他
日本語で読む → - 論文VLAcs.CR
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
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VLA画像認識
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機械学習
MIKASA-Robo-VLA：長期的マニピュレーションにおけるVLAモデルの記憶能力を評価するベンチマーク
言語条件付きマニピュレーション90タスクからなるベンチマークを構築し、タスク遂行に必要な手がかりを隠すことでVLAモデルの記憶能力を評価する。
原題: MIKASA-Robo-VLA: Benchmarking Memory in VLA Models for Long-Horizon Manipulation ／ Egor Cherepanov, Nikita Kachaev, Aleksandr I. Panov 他
日本語で読む → - 論文VLAロボティクス
リアルタイムVLAに向けて：段階認識型2ステップフローデノイジングとシステムレベル評価
VLAモデルの推論とロボット実行の速度ギャップを分析し、フローデノイジングを2段階に削減する手法と分散リアルタイム実行フレームワークを提案、衣類折り畳みタスクで評価した。
原題: Toward Real-Time VLAs: Stage-Aware Two-Step Flow Denoising and System-Level Evaluation ／ Di Wu, Rongtian Shen, Ping Liu 他
日本語で読む → - 論文VLAロボティクス
EWAM：統合身体モデルにおける創発的な深さ方向の専門化——意味理解から視覚的先読み、行動まで
行動中心の統合身体モデルEWAMを提案し、層ごとの監督なしに浅い層で意味、中間層で予測未来、深い層で行動に注意が向く創発的な深さ方向の専門化が生じることを示した。
原題: EWAM: Emergent Depth-Wise Specialization in a Unified Embodied Model -- From Semantic Understanding through Visual Foresight to Action ／ Hao Wang, Jiajun Wen, Jingzhi Liu 他
日本語で読む → - 論文VLAロボティクス
STARS: 時空間ダイナミクスから人間-ロボット相互作用における社会的表現へ
社会的ロボットナビゲーションの場面理解を評価するVQAベンチマークSocialNav-SUBを提案し、最先端VLMが人間やルールベース手法に及ばないことを示した。
原題: STARS: From Spatiotemporal Dynamics to Social Representations in Human-Robot Interaction ／ Nathan Tsoi, Michael J. Munje, Tejas Oberoi 他
日本語で読む →