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
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画像認識
GroundingPI：視覚プリミティブで物理知能に挑むグラウンディング基盤モデル
点やボックスを量子化座標として生成する4Bのグラウンディング基盤モデルを提案し、ロボット操作や自動運転の視覚バックボーンとして性能を向上させた。
原題: GroundingPI: A Grounding Foundation Model towards Physical Intelligence with Visual Primitives ／ Qize Yu, Lianrui Fan, Boyu Chen 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
BIND: 3Dロボット動作を2D画像特徴に結びつける新表現
カメラ幾何学を用いて3D動作候補を各視点の2D画像特徴に投影・スコアリングすることで、データ効率と視点・物体位置の変化への頑健性を高めた視覚運動ポリシーを提案。
原題: BIND: Binding 3D Robot Actions to 2D Image Features ／ Cameron Smith, Arsh Tangri, Vitor Guizilini 他
日本語で読む → - 論文VLAロボティクス
ProAct-VLM: 継続的知覚フィードバックによる失敗前の視覚言語タスク再計画
VLMをリアルタイム知覚フィードバックループに組み込み、環境変化を検知した時点で失敗前に再計画する適応型タスク計画フレームワークを提案。
原題: ProAct-VLM: Pre-Failure Vision-Language Task Replanning with Continuous Perception Feedback ／ Ahmed Nader Ahmed, Omar Moured, Mughni Irfan Mohammed Abdul 他
日本語で読む → - 論文VLAロボティクス
Spotter: 身体性モデルを主導させ、VLMに内省させる
身体性モデルが連続実行を主導し、VLMが並行して監視・エラー検出時のみ介入して内省・修正する枠組みを提案し、RoboCasaやRoboTwin 2.0で成功率を改善した。
原題: Spotter: Let the Embodied Model Lead, and the VLM Reflect for It ／ Long Li, Qichao Zhao, Yue Yang 他
日本語で読む → - 論文VLAロボティクス
DriftOPD：ワンステップVLAポリシーのための系列レベル逆KL蒸留
オフラインデータのみを用い、ロールアウトや教師なしで系列レベルの逆KL蒸留を行い、長期的なタスク成功を考慮したワンステップVLA行動生成を実現する手法を提案。
原題: DriftOPD: Sequence-Level Reverse-KL Distillation for One-Step VLA Policies ／ Youngjun Jun, Kyumin Choi, Youngmin Kim 他
日本語で読む → - 論文VLA画像認識
世界行動モデルの表現設計を見直すReWAM
事前学習済みDINO特徴を基盤に、特徴校正と時間表現ボトルネックで世界状態を圧縮し、行動損失のみで表現を整形する世界行動モデルを提案。動画生成事前学習なしでRoboTwin 2.0で93.6%の成功率を達成。
原題: Rethinking Representations for World-Action Modeling ／ Haoyi Jiang, Liu Liu, Xinjiang Wang 他
日本語で読む → - 論文VLAロボティクス
速いだけでは不十分？ベンチマークのバグと設計上の制約が視覚言語行動アクセラレーションの評価を歪める
VLAポリシーの高速化手法を評価するシミュレーションベンチマークに潜むバグと設計上の制約を監査し、22件のバグと4件の制約を特定して、修正が手法の順位を逆転させうることを示した。
原題: Faster and Better? Benchmark Bugs and Design Limitations Distort the Evaluation of Vision-Language-Action Acceleration ／ Qiwei Chen, Kaijun Zhou, Nuohui Shi 他
日本語で読む → - 論文VLAロボティクス
FineART: 両手マニピュレーションのための細粒度注釈付きロボット軌道データセットと視覚-言語-行動モデル
40,543エピソード・1,718時間・533,913サブタスクからなる密注釈付き両手操作データセットFineARTを構築し、次のサブタスクを自己予測するVLAモデルFineART-VLAを提案した。中間学習により長期的タスクの成功率が大幅に向上し、新ロボットへの少データ適応とゼロショット汎化も示した。
原題: FineART: Fine-grained Annotated Robotic Trajectory Dataset and Vision-Language-Action Model for Bimanual Manipulation ／ Jade Choghari, Pepijn Kooijmans, Mansi Agarwal 他
日本語で読む → - 論文VLAロボティクス
PreferenceFlow: 人間介入によるフローマッチングロボット方策のテスト時ガイダンス
人間の介入とロボットの行動を比較して選好モデルを学習し、報酬なしで事前学習済みフローマッチング方策をテスト時に誘導する手法を提案。実機の精密挿入タスクで成功率を69%から90.5%に向上させた。
原題: PreferenceFlow: Test-Time Guidance of Flow-Matching Robot Policies from Human Interventions ／ Yiqi Tang, Diyuan Shi, Runze Li 他
日本語で読む → - 論文VLAロボティクス
行動履歴メモリと二重エキスパートノイズ除去による長期的視覚言語行動ポリシー
凍結したVLAにMambaベースのメモリと軽量PreAction Expertを追加し、行動履歴を活用して長期的タスクの知覚的曖昧性を解消する手法を提案。
原題: Remember What You Did: Action-History Memory with Dual-Expert Denoising for Long-Horizon Vision-Language-Action Policies ／ Yaxin Zhao, Dianye Huang, Chenwei Wang 他
日本語で読む → - 論文VLAロボティクス
WayFinder: ゼロショット経由点生成と低レベル運動制御のための階層的視覚-言語-行動フレームワーク
大規模マルチモーダルモデルで高レベルな経由点をゼロショット生成し、軽量なオンボード制御と非同期に組み合わせることで、ファインチューニング不要でロボットナビゲーションの成功率を最大27.45%向上させた。
原題: WayFinder: Hierarchical Visual-Language-Action for Zero-Shot Waypoint Generation and Low-Level Kinematic Control ／ Timothy K Johnsen, Marco Levorato
日本語で読む → - 論文VLAロボティクス
WHEREを正し、HOWを保つ：参照誘導によるVision-Language-Actionモデルの組合せ的一般化
VLAモデルが視覚的ショートカットに依存して組合せ的一般化に失敗する問題に対し、学習不要のラッパーReGuideを提案し、対象物の位置情報を用いて意味的・幾何的に再結合することで成功率を大幅に改善した。
原題: Correcting WHERE, Preserving HOW: Compositional Generalization for Vision-Language-Action Models via Referential Guidance ／ Yanyan Zhang, Disheng Liu, Xinpeng Li 他
日本語で読む → - 論文VLAロボティクス
EgoAlign: 人間とヒューマノイドのギャップを埋める長距離移動操作
一人称視点の人間デモを身体スケールと制御応答の違いを補正してヒューマノイドの全身制御用データに変換し、VLAモデルのファインチューニングと実機ゼロショット展開を実現した。
原題: EgoAlign: Bridging the Human-Humanoid Gap for Long-Range Loco-Manipulation ／ Yiming Jiang, Chen Jin, Chongyang Xu 他
日本語で読む → - 論文VLAロボティクス
AeroManip-VLA: 強化学習生成デモによる空中マニピュレーションのためのスケーラブルな視覚-言語-行動学習
空中マニピュレータ向けに、GPU加速シミュレーション上で強化学習と専門家ルールを組み合わせて人手なしでデモを自動生成し、VLAモデルの学習と評価を可能にするベンチマークを提案した。
原題: AeroManip-VLA: Scalable Vision-Language-Action Learning for Aerial Manipulation with RL-Generated Demonstrations ／ Rui Huang, Yanlin Mu, Lidong Li 他
日本語で読む → - 論文VLAロボティクス
信頼できるLLMベースのロボット計画のためのリスク認識型意味的グラウンディング
LLMによるロボット計画において、曖昧さ・幻覚・意味的矛盾といったリスクを事前に推定し、指示の実行・確認・拒否を判断する枠組みを提案し、評価用ベンチマークTRUST-NAVを構築した。
原題: Risk-Aware Semantic Grounding for Trustworthy LLM-Based Robot Planning ／ Łukasz Sobczak, Nur Keleşoğlu, Sławomir Piotr Nowak
日本語で読む → - 論文VLA画像認識
SafeVantage: 視点認識型メモリによる信頼性の高い身体的意思決定
主張を支持する視点・カメラ姿勢・推定位置を保持する視点認識型メモリと能動的観測獲得を組み合わせ、支持・空間一貫性・網羅性からYes/No/Abstainを判断する身体的意思決定フレームワーク。
原題: SafeVantage: Vantage-Aware Memory for Reliable Embodied Decisions ／ Sean Hardesty Lewis, Zuyi Guo, Benwang Chen 他
日本語で読む → - 論文VLAロボティクス
RawVLA: ロボットマニピュレーションのための身体性ニューラル画像信号処理プロセッサ
VLAモデルが通常使うRGB画像処理（ISP）を見直し、RAWデータから適応的に画像を生成するニューラルISPを提案。劣化した撮像条件下でもマニピュレーションの頑健性を大幅に向上させた。
原題: RawVLA: Embodied Neural Image Signal Processor For Robotic Manipulation ／ Shuhong Liu, Heng Zhou, Lingfeng Qian 他
日本語で読む → - 論文VLAロボティクス
EquivDP3: データ効率の高いヒューマノイド移動操作のためのSIM(3)不変点群エンコーダ
ヒューマノイドの移動操作において、SIM(3)同変なVector Neuron Networkエンコーダを拡散ポリシーに組み込み、少ないデモンストレーションで物体姿勢や照明の変化に汎化する手法を提案。
原題: EquivDP3: A SIM(3)-Invariant Point-Cloud Encoder for Data-Efficient Humanoid Loco-Manipulation ／ Abu Hanif Muhammad Syarubany, Chang D. Yoo
日本語で読む → - 論文VLAロボティクス
緊急動作を優先する：リアルタイムVLA制御のための緊急度認識デノイジング
VLAポリシーのデノイジング計算を動作の実行緊急度に応じて配分し、緊急動作を早く出力しつつ残りを背景で精錬することで、リアルタイム制御の遅延を削減する手法を提案。
原題: Urgent Actions Go First: Urgency-Aware Denoising for Real-Time VLA Control ／ Zibo Wang, Haochen Han, Pengzhen Ren 他
日本語で読む → - 論文VLA画像認識
EVO-WAM: 映像と行動の検証による世界行動モデルの進化
世界行動モデルが生成した映像と行動の軌跡を自己検証しながら反復学習し、追加の実演データなしで未知タスクへの適応を可能にしたフレームワーク。
原題: EVO-WAM: Evolving World Action Models through Video-Action Verification ／ Shiyang Zhou, Xionghao Wu, Wenbo Li 他
日本語で読む → - 論文VLAロボティクス
CogWAM: イベント駆動型インターフェースによる意味認知と世界行動モデリングの整合
タスク推論と世界行動学習の間に持続的な意味状態を介した明示的なインターフェースを設け、進捗条件付きクエリで未来予測と行動生成を整合させる認知誘導型世界行動モデルを提案。
原題: CogWAM: Aligning Semantic Cognition with World Action Modeling via Event-Driven Interfaces ／ Sen Wang, Liu Liu, Xinjiang Wang 他
日本語で読む → - 論文VLA機械学習
拡散言語モデルエージェントのための逆スコアリング：失敗後の再試行ループを訓練なしで解消
拡散言語モデルが失敗した行動を繰り返す原因をマスクデコーディングの適応性に求め、タスク無関係なバイアスが逆条件付き確率で相殺される性質を利用した訓練不要の改善手法を提案する。
原題: Does This Action Still Explain the Task? Reverse Scoring for Diffusion Language Model Agents ／ Jiacheng Qiu, Christopher E. Mower, Jan Peters 他
日本語で読む → - 論文VLAロボティクス
予測的監督の設計がVLAポリシーの学習内容を左右する
VLAポリシーへの未来予測監督の入れ方が、学習される視覚表現と分布シフト下でのロバスト性をどう変えるかを比較検証した研究。
原題: Where Predictive Supervision Goes Shapes What VLA Policies Learn ／ Hanseul Kim, Jewon Yeom, Youngjoon Jeong 他
日本語で読む → - 論文VLAロボティクス
非同期分散アライメントによるリアクティブなリアルタイムフローポリシー
VLAの非同期実行で生じる行動分布のずれを、フローフィールド蒸留と提案・解決機構で補正し、リアルタイム性と反応性を両立させる手法を提案。
原題: Reactive Real-Time Flow Policies via Asynchronous Distribution Alignment ／ Moritz Zoellner, Reece O'Mahoney, Ioannis Havoutis 他
日本語で読む → - 論文VLAロボティクス
CrossBFM: ヒューマノイド間で共有される潜在行動空間の蒸留
リターゲティングを利用して、複数のヒューマノイドに共通の潜在行動空間を1GPU時間未満で蒸留し、10GPU時間の追従学習で全身制御を実現する手法を提案。
原題: CrossBFM: Distilling a Shared Latent Behavior Space Across Humanoid Embodiments ／ Tan-Dzung Do, Tuan Dat Phuong, Nico Bohlinger 他
日本語で読む → - 論文VLAロボティクス
RoboHarness: シンプルなハーネスがVLAとワールドアクションモデルを凌駕する
LLMエージェントに視覚幾何学的な操作パネルを与えるロボットハーネスを提案し、VLAモデルを訓練せずにBEHAVIOR Challenge 2025で最先端VLAを上回る性能を達成した。
原題: RoboHarness: A Simple Harness Outperforms VLA and World Actions Models ／ Bince Qu, Wei Chen, Bo Zhang
日本語で読む →