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: 2026/9/28 ／ 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
NavJev: 行動中心の視覚圧縮と識別的行動意味記憶による効率的な視覚言語ナビゲーション
MLLMの逐次推論をやめ、候補行動を圧縮表現に変換して軽量な確率的行動選択を行うことで、視覚言語ナビゲーションの推論遅延を大幅に削減したフレームワーク。
原題: NavJev: Efficient Vision-Language Navigation via Action-Centric Visual Compression and Discriminative Action-Semantic Memory ／ Kai Sheng, Liuyi Wang, Jinlong Li 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
不確実なときは切らない：ロボット収穫のためのVLA方針における拒否可能で較正された決定ヘッド
VLA方針に「拒否」と「較正」を可能にする出力インターフェースを追加し、遮蔽下での収穫判断の信頼性を向上させた研究。
原題: Do Not Cut When Uncertain: Rejectable and Calibrated Decision Heads for VLA Policies in Robotic Harvesting ／ Heng Zhang
日本語で読む → - 論文VLA画像認識
見えなくなっても、そこにある：大規模視覚言語モデルにおける圧縮起因リスクの露呈
視覚トークン圧縮が引き起こす敵対的失敗を「圧縮特異的失敗」として定義し、それを誘発する攻撃手法CIRAを提案した研究。
原題: Still There, No Longer Seen: Exposing Compression-Induced Risk in Large Vision-Language Models ／ Qiankun Li, Yuechen Zhang, Bowen Chen 他
日本語で読む → - 論文VLAロボティクス
SAGE: LLMタスクプランナのための記号的行動ゲーティングと編集
LLMが生成した行動計画を実行前に記号的ゲートで検証し、失敗したサブゴールのみを局所編集で再生成するプランナを提案。実行時安全監視と効率的な回復を両立し、ベンチマークで有効性を示した。
原題: SAGE: Symbolic Action-Gating and Editing for LLM Task Planners ／ Trung Minh Bui, JongSul Moon, YoungOuk Kim 他
日本語で読む → - 論文VLAロボティクス
ワールドモデルからワールドアクションモデルへ：次状態予測の再考
次状態の表現をRGBや単一特徴に固定せず、視覚・意味・幾何・相互作用の複数投影を動的にサンプリングして統合学習するCF-WAMを提案し、人間とロボットの経験を共有遷移学習に活かして制御性能と汎化を向上させた。
原題: From World Models to World Action Models: Rethinking Next-State Prediction ／ Tingyu Yuan, Ziming Ji, Biaoliang Guan 他
日本語で読む → - 論文VLAロボティクス
UMR: 汎用マニピュレーション表現
人間の実演から異なるロボットへゼロショットで技能を転移できる統一的な行動表現UMRを提案し、物体の動きとエンドエフェクタ軌道を分離して学習する小型VLAモデルで高い成功率を達成した。
原題: UMR: Universal Manipulation Representation ／ Song Liu, Linyi Li, Yanshun Zhao 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
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
Uni-VLaT：ヒューマノイドの移動操作のためのVLAポリシーへの全身触覚適応
全身触覚を視覚言語行動ポリシーに統合し、未来の触覚・固有感覚・視覚表現を予測する補助タスクで学習することで、接触を伴う移動操作タスクの成功率を大幅に向上させた。
原題: Uni-VLaT: Whole-Body Tactile Adaptation of VLA Policies for Humanoid Loco-Manipulation ／ Zihao Wang, Shutong Liu, Siqi Zheng 他
日本語で読む → - 論文VLAcs.NI
エッジ支援マルチビュー測位のためのタスク指向通信
UAV/UGVの視覚ベース測位を、通信状況に応じてオフロード判断・送信ビュー選択・意味レート制御を統合的に行うタスク指向通信フレームワークで高精度化した研究。
原題: Task-Oriented Communications for Edge-Assisted Multi-View Localization ／ Zhengru Fang, Huanhuan Lou, Senkang Hu 他
日本語で読む → - 論文VLAロボティクス
視覚中断下での行動を視覚言語行動モデルで学習する
カメラ映像が途切れてもロボットが作業を続けられるよう、視覚言語行動モデルを訓練し、推論時にオプティカルフローや世界モデルで欠損視覚を補完する手法MINTを提案し、ベンチマークMAIL-Benchで評価した。
原題: Learning to Act under Visual Interruptions with Vision-Language-Action Models ／ Mingle Jiang, Rui Xu, Yunke Wang 他
日本語で読む → - 論文VLA機械学習
随伴ガイダンスフロー：VLAポリシーのための償却型クリティックガイダンス
VLAポリシーの生成をクリティックで誘導する際、最適制御の随伴変数を用いて軽量ガイダンスネットワークに償却学習させ、推論時はクリティック不要で高速・省メモリに高価値行動を生成する手法を提案。
原題: Adjoint Guidance Flow: Amortized Critic Guidance for VLA Policies ／ Jeongsol Kim, Youngjun Jun, Kyumin Choi 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 → - 論文VLAロボティクス
適応的中间状態による効率的なWorld Action Model推論
World Action Modelの推論を、軌道リマッピング・観測リバインディング・残差リスケーリングで高速化する学習不要フレームワークを提案。
原題: Efficient World Action Model Inference with Adaptive Intermediate States ／ Zhinnan Liu, Haozhi Han, Ruge Zhang 他
日本語で読む → - 論文VLAAI
JRDB-AVR: 実世界環境における身体性エージェントのための能動的視覚推論ベンチマーク
実世界のロボティクスデータから、時間・視点を指定して観測を要求しながら視覚推論を行う能動的エージェント向けベンチマークを構築し、回答だけでなく根拠となる視覚証拠も評価する。
原題: JRDB-AVR: An Active Visual Reasoning Benchmark for Embodied Agents in Real-World Environments ／ Zhixi Cai, Fucai Ke, Sukai Huang 他
日本語で読む → - 論文VLAロボティクス
FailPatch: 視覚言語行動モデルのための失敗残差パッチング
VLA方策の失敗しやすい状態を検出し、凍結した方策の隠れ表現に残差エキスパートを注入して成功率を改善する手法を提案。
原題: FailPatch: Failure Residual Patching for Vision-Language-Action Models ／ Peng Yu, Jiacheng Wang, Ziheng Zhang 他
日本語で読む → - 論文VLA画像認識
統一軌道マッチング方策最適化：多様なT2I生成とVLA汎化
拡散・フローポリシーの事後学習において、報酬最大化ではなく軌道分布マッチングを行う統一RLフレームワークUni-TMPOを提案し、T2I生成の多様性とVLAのタスク・シーン汎化を両立させた。
原題: Unified Trajectory Matching Policy Optimization: Diverse T2I Generation and VLA Generalization ／ Zhiyuan Ma, Jiaming Li, Lingzhen Li 他
日本語で読む → - 論文VLA機械学習
三モーダル整合性誘導フロートランスフォーマーによる効率的な視覚-言語-行動ポリシー学習
視覚・言語・行動の三モーダル整合性を明示的に強制する損失を導入し、フローマッチング目的で推論を高速化したVLAモデルAGFTを提案。ベンチマークで成功率向上と低遅延を実現。
原題: Alignment-Guided Flow Transformer for Efficient Vision-Language-Action Policy Learning ／ Shengchao Hu, Peng Wang, Qiyang Zhou 他
日本語で読む → - 論文VLAロボティクス
FutureDuet: 未来予測監督における観測アクセスの分離
ロボットの行動生成において、メインカメラと手首カメラで異なる未来予測目標を与えることで、精密な操作タスクの成功率を向上させた研究。
原題: FutureDuet: Decoupling Observation Access from Future Supervision in World Action Models ／ Jie Wu, Yuzhi Huang, Junqi Liu 他
日本語で読む → - 論文VLA画像認識
テキスト・視覚相乗トークンキャッシュ：効率的なVLA推論のための学習不要フレームワーク
VLAモデルの推論を高速化するため、テキストと視覚の相乗効果を利用して注意ヘッドを選別し、キャッシュ再利用層を選択する学習不要のトークンキャッシュ手法を提案。
原題: Text-Vision Synergistic Token Caching: A Training-Free Framework for Efficient Vision-Language-Action Inference ／ Qianer Li, Chengjie Zhang, Jingwen Chen 他
日本語で読む → - 論文VLAロボティクス
再計画ではなく修正：閉ループWorld-Actionモデルのための修正可能な視覚プラン
予測した視覚的未来を行動条件として保持し、実行フィードバック後に学習済みの修正ブリッジで中間状態から継続を適応させるRTPを提案。RoboMMEとRMBenchで高い成功率を示した。
原題: Revision, Not Restart: Revisable Visual Plans for Closed-Loop World-Action Models ／ Pengyiang Liu, Junbo Niu, Wenhao Zheng 他
日本語で読む → - 論文VLAロボティクス
検索関連性を超えて：視覚言語運転のためのシーン接地型リスク含意
運転シーンの知覚事実から知識グラフとSWRL推論でリスク関係を導出し、VLMと拡散プランナーの判断を条件付けることで、検索ベースの安全知識より計画安全性を向上させた。
原題: Beyond Retrieval Relevance: Scene-Grounded Risk Entailment for Vision-Language Driving ／ Jiaxin Liu, Ruilin Yu, Liang Peng 他
日本語で読む → - 論文VLAロボティクス
EdgeVLN: 実行時認識型の展開可能な量子化視覚言語ナビゲーションモデル
メモリ・電力制約のあるロボットエッジデバイス向けに、量子化した視覚言語ナビゲーションモデルと軽量な停止判定モジュールを組み合わせ、Jetson上でリアルタイム動作を実現した。
原題: EdgeVLN: Runtime-Aware Deployment Ready Quantized Vision Language Navigation Model ／ Rithvik Jonna, Man Namgung, Aakash Gurram 他
日本語で読む → - 論文VLAロボティクス
自己進化するコーディングエージェント：デジタルプログラムから物理世界の知能へ
タスクの状態と実行をコードとして表現する「Physical Coding」を提案し、知覚・計画・制御ツールを呼び出して外部フィードバックから自己修正するエージェントHexaAnythingを構築した。RoboCasa365でVLAを上回る性能を示した。
原題: Self-Evolving Coding Agents: From Digital Programs to Physical-World Intelligence ／ Hongcheng Gao, Jingjing Zhou, Zelin Zheng 他
日本語で読む → - 論文VLAロボティクス
ロボットのインコンテキスト学習：手法と応用
ロボットのインコンテキスト学習（ICL）に関する文献レビューであり、文脈条件付き方策、幾何学的実演転移、世界モデルベース制御、スキル・エージェントベース実行の4つのインターフェースに分類し、転移の前提や評価手法を整理する。
原題: In-Context Learning for Robots: Methods and Applications ／ Haojian Huang, Zexi Li, Junhao Guo 他
日本語で読む → - 論文VLA画像認識
ActionUNet: 効率的なマルチスケール微調整によるVLAモデルのロバスト性向上
事前学習済みVLAモデルに軽量な時間的U-Netと連続行動デコーダを組み込み、少ない計算コストでマルチスケールの時間構造を融合し、動作の滑らかさとロバスト性を高める微調整フレームワークを提案。
原題: ActionUNet: Improving Robustness of VLA Models with Efficient Multi-scale Fine-tuning ／ Di Zhu, Ziheng Yan, Fang Wan
日本語で読む → - 論文VLA/連合学習ロボティクス
RoboFL: 世界行動モデルのための連合エキスパートアセンブリ
各クライアントが訓練したLoRAアダプタをサーバー側MoEのエキスパートとして組み込み、ルーティングとエキスパートを協調学習する連合学習フレームワークを提案。実機Frankaで集中学習を12.23%上回り、通信量を最大86.81%削減した。
原題: RoboFL: Federated Expert Assembly for World Action Models ／ Rongyu Zhang, Ruizhi Fan, Yunfan Lou 他
日本語で読む → - 論文VLA画像認識
PIVOT: マルチターンVLMエージェントのためのピボット認識型オンポリシー自己蒸留
マルチターンVLMエージェントのRL訓練において、失敗の起点となる「ピボット」ステップを内部化して特定・状態復元するフレームワークを提案し、環境ロールバックなしで性能を向上させた。
原題: PIVOT: Pivot-Aware On Policy Self Distillation for Multi-Turn VLM Agents ／ Jiazhou Zhou, Hu Zhou, Yucheng Chen 他
日本語で読む → - 論文VLAロボティクス
捨てた行動を再利用してロボット政策を高速化するAction Upcycling
行動チャンクの未使用部分を再利用し、速度が滑らかな範囲で実行時間を延ばすことで、追加学習やモデル内部情報なしに政策呼び出しを1.2〜1.7倍削減する手法を提案。
原題: Don't Throw Away the Tail: Action Upcycling for Policy Acceleration ／ Taesung Kwon, Jangho Park, Sunwoo Park 他
日本語で読む →