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: 2026/9/29 ／ 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
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
LexiconVLA: 未知タスク向けの再利用可能な原子行動コードブックの学習
視覚言語行動モデルが未知タスクで繰り返し現れる動作を再利用できるよう、原子行動をコードブック化して検索・適用する手法を提案し、未知タスクの成功率を向上させた。
原題: LexiconVLA: Learning Reusable Atomic Action Codebooks for Unseen Tasks ／ Zeming Wei, Jianheng Ye, Xinshuai Song 他
日本語で読む → - 論文VLA画像認識
Spatial-OPSD: ラベル不要の自己蒸留による空間推論の自己改善
深度や3D再構成などの知覚ツールから得られる空間事前情報を特権教師が与え、ラベルなしで学生モデルの空間推論を自己蒸留により反復改善するフレームワーク。
原題: Spatial-OPSD: Self-Improving Spatial Reasoning via Label-Free Self-Distillation ／ Zhenyu Liu, Zhangquan Chen, Keyi Chen 他
日本語で読む → - 論文VLAロボティクス
Video2STL: VLM生成の時間仕様をロボット学習に接地するフレームワーク
観測のみの動画からVLMで時間論理仕様(STL)を生成し、ロボット軌道で閾値を接地して強化学習の報酬に用いる手法。4つのマニピュレーションタスクで平均85.8%の成功率を達成。
原題: Video2STL: Grounding VLM-Generated Temporal Specifications for Robot Learning ／ Merve Atasever, Keyan Azbijari, Cagan Bakirci 他
日本語で読む → - 論文VLAロボティクス
階段ポリシー：大規模アクションチャンクを持つ世界行動モデルのストリーミング推論
未来予測に基づく世界行動モデルをストリーミング推論で効率化し、大きなアクションチャンクを段階的に精錬しながら実行することで、長期的なタスクでも高精度・高スループットを実現した研究。
原題: Staircase Policy: Streaming Inference for World-Action Models with Large Action Chunks ／ Guoheng Sun, Chen Chen, Jin Wang 他
日本語で読む → - 論文VLAロボティクス
無限の未来から一つを実現：事前学習済み世界モデルをロボット行動へ変換
凍結した動画世界モデルの上に60Mパラメータの小型モデルを載せ、タスクに合う未来を選んで行動を読み出すことで、単一GPUで学習できリアルタイム制御を可能にした。
原題: One from Infinity: Actualizing Futures from Pretrained World Models into Robot Actions ／ Bang Du, Yichen Xie, Shuqi Zhao 他
日本語で読む → - 論文VLAロボティクス
テスト時適応型視覚言語ナビゲーションのためのクレジット誘導方策改善
テスト時適応VLNにおいて、行動による観測遷移から符号付き意思決定クレジットを推定し、軽量な方策更新を提案・検証するCGPIを提案。
原題: Credit-Guided Policy Improvement for Test-time Adaptive Vision-Language Navigation ／ Yang Li, Sijia Zhang, Yihan Li 他
日本語で読む → - 論文VLAロボティクス
ロボット実行誤差下でのVLAの制御：自己補償とストレステスト
VLAポリシーがロボットの実行誤差をオンラインで自己補償する手法を提案し、シミュレーションベンチマークRoboStressと実機実験で有効性を示した。
原題: Taming VLAs under Robot Execution Errors: Self-Compensation and Stress Testing ／ Sohyun Lee, Yoonjae Baek, Jaesang Won 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
Rho: 効率的に適応可能なVLAモデルの基盤
双腕マニピュレーション向けのオープンウェイトVLAモデル群「Rho」を提案し、3つの実機での少量データ適応と、15エピソード程度の修正フィードバックによるオンライン適応を実現した。
原題: Rho: A Foundation for Efficiently Adaptable VLA Models ／ Rho Team, Simran Bagaria, Daphne Chen 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
トークン重要度を超えて：効率的な視覚-言語-行動推論のための空間スキャフォールドの保持
視覚トークンの空間的な広がりを保つことで、視覚-言語-行動モデルの推論を高速化する訓練不要のトークン枝刈り手法を提案。
原題: Beyond Token Importance: Preserving Spatial Scaffolds for Efficient Vision-Language-Action Inference ／ Jiayu Chen, Shuyong Gao, Jingkai Jia 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
探索・実行・進化：身体性エージェントのためのスキル獲得と再利用ループ
視覚と言語に触覚を組み合わせ、スキルライブラリを進化的に更新しながら再利用する枠組みRoboSkillを提案し、ロボットタスクの成功率向上と実行時間短縮を実現した。
原題: Explore, Execute, Evolve: A Skill Acquisition and Reuse Loop for Embodied Agents ／ Sicheng Xie, Yitong Chen, Haidong Cao 他
日本語で読む → - 論文VLAロボティクス
EgoHumanoid-V2: 全身協調ロコマニピュレーションのための人間からヒューマノイドへのスキル転移
一人称視点の人間のデモデータから、全身協調を保ったままロコマニピュレーションスキルをヒューマノイドへ直接転移する枠組みを提案し、実機4タスクでゼロショット転移を実現した。
原題: EgoHumanoid-V2: Human-to-Humanoid Transfer of Coordinated Whole-Body Skills for Loco-Manipulation ／ Jin Chen, Yiming Jiang, Chongyang Xu 他
日本語で読む → - 論文VLAロボティクス
強化学習ファインチューニングによる協調マルチエージェント視覚言語行動モデル
事前学習済みVLAを3段階の強化学習ファインチューニングでマルチロボット協調に適応させ、初期化対応データ収集・オフライン信用フィルタリング・潜在空間オンラインRLにより成功率を大幅に向上させた。
原題: Cooperative Multi-Agent Vision-Language-Action Models via Reinforced Fine Tuning ／ Ruixiao Xu, Wong Lik Hang Kenny, Zhiqian Liu 他
日本語で読む → - 論文VLAロボティクス
LIBERO-MAX：世界が変化したときロボット政策は適応するか？
タスク実行中に環境変化が起きた際のロボット政策の頑健性を評価する8,000ペアのベンチマークLIBERO-MAXを提案し、14のVLA政策が11.0〜25.7ポイントの成功率低下を示すことを明らかにした。
原題: LIBERO-MAX: Do Robot Policies Adapt When the World Changes? ／ Yunbei Zhang, Zijian Jin, Yuanzhe Liu 他
日本語で読む → - 論文VLAロボティクス
ドメイン不変潜在先読みによるVLAモデルの偽相関の解消
視覚言語行動モデルが視覚分布シフトで脆くなる原因である偽相関を、ドメイン変換軌道から学んだドメイン不変の未来潜在表現で方策を監督することで軽減するDILLを提案し、LIBERO-Plusで平均成功率69.1%を達成した。
原題: Disentangling Spurious Correlations in Vision-Language-Action Models via Predicting Domain-Invariant Latent Lookahead ／ Junghyun Kim, Ngseo Kim, ChungWoo Lee 他
日本語で読む → - 論文VLAロボティクス
CoRe-VLA: カメラシフト下での視点間協調を維持するVLAフレームワーク
カメラ視点がずれてもVLAの性能を保つため、シーン点群を再構成して学習時視点の画像を再描画するプラグアンドプレイ手法を提案。
原題: CoRe-VLA: Preserving Cross-View Coordination in VLAs under Camera Shifts ／ Tianhang Pan, Xuanhao Wang, Yiwen Pang 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
フローマッチングにおける条件付きアニーリングによる因果的行動トークン化の再考
フローマッチングを段階的にアニーリングして因果構造を持つ行動トークンを抽出するCATokを提案し、VLAモデルの再構成精度・推論効率・タスク成功率を向上させた。
原題: Rethinking Causal Action Tokenization with Conditional Annealing in Flow Matching ／ Chenyu Zhang, Yuhang Cao, Daru Du 他
日本語で読む → - 論文VLAロボティクス
VLAモデルの内部表現における自然状態予測精度が制御された応答性の弱さを隠す可能性
VLAモデルの内部表現から物体状態を予測する際、自然な観測での高精度が必ずしも制御された状態変化への応答性を意味しないことを示し、予測精度・応答性・文脈安定性を分離して評価する枠組みを提案した。
原題: Natural State-Prediction Accuracy can Hide Weak Controlled Responsiveness in VLA Readouts ／ Hyungjoon Kim, Wonbin Son, Mi Young Lee 他
日本語で読む → - 論文VLAロボティクス
RAVEL: フローベースVLAモデルのための非同期ローリング推論
フローベースVLAのVLMエンコードと多段拡散による遅延を、非同期ローリングバッファと軽量観測経路で削減し、低遅延な閉ループ制御を実現した。
原題: RAVEL: Asynchronous Rolling Inference for Flow-Based Vision-Language-Action Models ／ Yuhan Chen, Ke Yu, Pengfei Liu 他
日本語で読む → - 論文VLAロボティクス
記憶の置き場所：記憶拡張VLAのためのオブジェクト台帳
短期知覚記憶はポリシー内に、長期物体記憶は外部の読み取り可能な台帳に置くという分割を実現し、単一のファインチューニング済みポリシーでRoboMMEの4スイート平均最高精度を達成した。
原題: Where Memory Belongs: Ledger, an Object Ledger for Memory-Augmented VLAs ／ Tanguy Dieudonné, Jack B. Jedlicki, Heng Yang
日本語で読む → - 論文VLAロボティクス
WAM-OPD: オンポリシー蒸留によるワールドアクションモデルの高性能化
事前学習済みワールドアクションモデルを、環境ロールアウトを繰り返さずにオンポリシー蒸留で専門タスクに適応させる手法WAM-OPDを提案。
原題: WAM-OPD: Sharpening World Action Models via On-Policy Distillation ／ Panjun Liu, Xiaohan Lei, Shiqi Zhang 他
日本語で読む → - 論文VLAロボティクス
離散VLAモデルによるヒューマノイドの移動操作
ヒューマノイドの全身動作を部位ごとの離散トークンに分解し、言語モデルの語彙を拡張して学習・リアルタイム制御を可能にしたVLAモデルHolo-Mを提案。
原題: Humanoid Loco-Manipulation With Discrete VLA Model ／ Wenxin Shao, Siqi Chai, Kun Li 他
日本語で読む → - 論文VLAロボティクス
視線プロンプト：Vision-Language-Actionファインチューニングのための時間的に密な人間の注意
VRテレオペレーション中の視線をフレーム単位の視覚プロンプトとしてVLAモデルに与え、展開時は軽量予測器で視線を推定することで、実世界の両手マニピュレーション成功率を26.3%から56.0%に向上させた。
原題: Gaze Prompts: Temporally Dense Human Attention for Vision-Language-Action Fine-Tuning ／ Yihan Zhou, Rui Yan, Mingcong Li 他
日本語で読む → - 論文VLAロボティクス
WB-WAM：ヒューマノイド移動操作のための異種全身・手事前学習
身体・ルート・巧みな手の動作を統合した行動空間で動画と行動を事前学習し、人間の動作データを活用してヒューマノイドの移動操作をデータ効率的に学習する手法を提案。
原題: WB-WAM: Heterogeneous Body-Hand Pre-training for Humanoid Loco-Manipulation ／ Chuan Qin, Shaoting Zhu, Siyuan Luo 他
日本語で読む → - 論文VLAロボティクス
RoboICL: GPT-6 Astraによる身体性を備えたインコンテキスト学習
ロボット制御のためのインコンテキスト学習フレームワークRoboICLを提案し、GPT-6 Astraのゼロショット性能を大幅に向上させた。
原題: RoboICL: Embodied In-Context Learning with GPT-6 Astra ／ Fangcheng Liu, Yeqing Shen, Anda Cheng 他
日本語で読む → - 論文VLAロボティクス
空の記憶：マルチエージェント記憶集約による低高度質問応答
分散したUAVの記憶を地上サーバで集約し、長期間の観測に関する質問に答える低高度質問応答（LAQA）を研究。記憶の価値を評価する生成敵対的試験（GAE）を提案し、通信制約下で記憶品質を最大化するMemCenフレームワークを開発した。
原題: Memory in the Sky: Low-Altitude Question Answering with Multi-Agent Memory Aggregation ／ Chengyang Li, Yujie Wan, Shuai Wang 他
日本語で読む →