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 → - 論文VLA機械学習
VLA強化学習における低ランク構造の解明
強化学習がフローベースVLAモデルのパラメータ更新を低ランク化し、特にTimestep Modulesに集中することを発見し、その役割と活用法を明らかにした。
原題: The Low-Rank Structure of VLA Reinforcement Learning ／ Minjae Oh, Yoonah Park, Jongwon Lim 他
日本語で読む → - 論文VLAロボティクス
Vision-Language-Actionモデル向け分位点ヘッド
VLAモデルの行動ヘッドとして、回帰とフローマッチングを統一的に扱う分位点目的を導入し、1回の順伝播で分位点を予測するQuantile Headを提案。LIBERO系ベンチマークと実機タスクで成功率と効率を改善した。
原題: Quantile Head for Vision-Language-Action Models ／ Xuan Wang, Yinan Wu, Haoran Duan 他
日本語で読む → - 論文VLAロボティクス
言語からタスクマップへ：タスクに関連する自由度を保ちながら意味的関係をコンパイルする
自然言語の操作指示を、型付きの意味-幾何インターフェースを通じてタスクマップに変換し、関係ごとの自由度を保ちつつRMPflowで制御する手法を提案した。
原題: From Language to Task Maps: Compiling Semantic Relations While Preserving Task-Relevant Freedom ／ Jaegyun Park, Jingwang Lee, Jungsoo Lee 他
日本語で読む → - 論文VLAロボティクス
SLIP-VLA: 視覚言語行動モデルのための単一ステップ潜在想像による方策学習
VLAモデルに1回のデノイズ更新で未来の潜在表現を生成する「単一ステップ潜在想像」を導入し、幾何・意味特徴との整合と行動条件付き世界モデルで未来を考慮した行動予測を効率化した手法。
原題: SLIP-VLA: Single-Step Latent Imagination for Policy Learning in Vision-Language-Action Models ／ Tianfu Li, Haoxuan Xu, Wenbo Chen 他
日本語で読む → - 論文VLA画像認識
全方位画像を用いたエピソード記憶型身体性質問応答のための情報的な視点選択
全方位画像をキューブマップ展開して視点を選び、質問に関連する情報を効率的に集めて自由形式の質問に答える手法を提案した。
原題: Informative Viewpoint Selection for Episodic-Memory Embodied Question Answering using Omnidirectional Images ／ Kaname Kitamura, Asako Kanezaki
日本語で読む → - 論文VLA画像認識
共同訓練か後で統合か？共有アクションインターフェースによるVLAエキスパートの統合
タスクごとに独立訓練したVLAエキスパートを、アクションインターフェースを共通化した上でLoRA更新と文脈誘導型スパースマージにより統合し、マルチタスク性能を向上させる手法を提案。
原題: Train Together or Merge Later? Unifying VLA Experts via a Shared Action Interface ／ Zhizhen Zhang, Yuxia Fu, Zijian Wang 他
日本語で読む → - 論文VLA画像認識
MAD-Guard: 閉じたマルチモーダル鑑識タスクにおける自己回帰生成と直接決定インターフェースの比較統制研究
マルチモーダル基盤モデルがトークン生成すべきか直接決定を出力すべきかを、閉じた鑑識タスクで統制比較し、二値直接ヘッドが遅延を2.6〜7.3倍削減しつつ較正誤差も改善することを示した。
原題: MAD-Guard: Controlled Study of Autoregressive Generation versus Direct Decision Interfaces for Closed Multimodal Forensic Tasks ／ Hao Chen
日本語で読む → - 論文VLAロボティクス
凍結生成ロボット方策のオンライン適応のための主舵取り部分空間
凍結した拡散・フローマッチング方策の初期ノイズを制御する低次元部分空間を有限差分応答から構築し、強化学習で効率的にオンライン適応させる手法を提案。
原題: Principal Steering Subspaces for Online Adaptation of Frozen Generative Robot Policies ／ Jialeng Ni, Nathan Zhao, Kunpeng Song
日本語で読む → - 論文VLAロボティクス
AnyStep-WAM: 予算整合蒸留と適応推論によるワールドアクションモデル
ワールドアクションモデルのノイズ除去ステップ数をタスクの難易度に応じて適応的に配分し、成功率を維持しつつ計算量を最大85%削減するフレームワークを提案。
原題: AnyStep-WAM: Budget-Aligned Distillation and Adaptive Inference for World Action Models ／ Rui Wang, Xiangyu Wang, Donglin Yang 他
日本語で読む → - 論文VLAナビゲーションロボティクス
InfraVLA: インフラカメラを活用した視覚言語行動ナビゲーションの拡張
倉庫や病院などに既設の監視カメラ映像をVLAナビゲーションモデルに統合し、ロボットの死角情報を活用して指示対象の発見や障害物回避の成功率を大幅に向上させた。
原題: InfraVLA: Extending Vision-Language-Action Navigation with Infrastructure Cameras ／ Lukas Vierling, Benjamin Ramtoula, Luke Robinson 他
日本語で読む → - 論文VLA画像認識
SphMind: 360度カメラを用いた学習不要のVLMベース全方位空間推論フレームワーク
360度カメラの歪みや不連続性に対応するため、意味理解と幾何推論を分離し、球面調和空間グラフと推論時幾何接地でMLLMを再学習なしに全方位空間推論へ適応させる手法を提案。
原題: SphMind: Towards Robust, Training-Free VLM-based Spatial Reasoning with a 360 Camera ／ Shriram Damodaran, Soumyaratna Debnath, Cheston Tan 他
日本語で読む → - 論文VLAロボティクス
DeltaWAM: 変化中心の視覚予測による効率的なWorld-Actionモデル
連続フレーム間の変化を表すコンパクトなdeltaトークンで未来を予測するWorld-Actionモデルを提案し、LIBEROで92.8%の成功率を達成した。
原題: DeltaWAM: Change-Centric Visual Foresight via Delta Tokens for an Efficient World-Action Model ／ Tianyun Jiang, Wenrui Bao, Bingxin Xu 他
日本語で読む → - 論文VLAロボティクス
TAO-DA: 自律操作に向けた双腕協調マニピュレーションのためのデュアルアーム視覚言語行動モデル
共有VLMバックボーンに腕ごとに分離したエキスパート塔を組み合わせ、言語指示と視覚意味による二段階の意図ルーティングで双腕の干渉を解消するVLAモデルを提案。タスク進捗予測モジュールで協調スケジューリングも可能にした。
原題: TAO-DA: Towards Autonomous Operation--A Dual-Arm Vision-Language-Action Model for Coordinated Manipulation ／ Yongsheng Zhao, Han Gao, Baoping Cheng 他
日本語で読む → - 論文VLAロボティクス
TimelyDAgger: VLAポリシー改善のためのタイミング考慮型エキスパートクエリ
VLAポリシーの内部特徴を監視し、エキスパートの介入タイミングを適応的に調整することで、限られた介入予算でポリシー改善を効率化する手法を提案。
原題: TimelyDAgger: Timing-Aware Expert Querying for VLA Policy Improvement ／ Zhixuan Zhao, Peiyan Li, Enhao Zhang 他
日本語で読む → - 論文VLA画像認識
クエリ・アライメント・蒸留：効率的な視覚言語ナビゲーションのためのナビゲーション認識クロスモーダル相互作用
視覚言語ナビゲーション（VLN）において、ナビゲーション証拠を明示的に選択する教師モデルを構築し、そのクエリを蒸留することで、パラメータ数を93.65%削減しつつ性能をほぼ維持するコンパクトな生徒モデルを実現した。
原題: Query, Align, and Distill: Navigation-Aware Cross-Modal Interaction for Efficient Vision-and-Language Navigation ／ Zhihao Chen, Yiyuan Ge, Ziyang Wang 他
日本語で読む → - 論文VLAロボティクス
ReSync: 非同期ワールドアクションモデルにおける二つのクロックの再同期
未来の映像と行動を別々のスケジュールで生成する非同期推論において、行動と映像の進捗のずれを「コミットメント・エビデンスギャップ」として定式化し、その間隔内で計算を再配置するReSyncを提案。パラメータ変更なしで成功率を4.48ポイント改善。
原題: ReSync: Re-Aligning the Two Clocks of Asynchronous World-Action Models ／ Xi Lin, Feihong Zhang, Yulong Shi 他
日本語で読む → - 論文VLAAI
敵対的学習はマルチビューVLAの汎化を改善するか？ビュー崩壊の解明と緩和
マルチビューVLAに敵対的学習を適用すると、特定の視点変化には強くなる一方で「ビュー崩壊」と呼ばれる現象が起こり、手首視点に過度に依存することを明らかにし、ビュースワップ介入で緩和を試みた研究。
原題: Does Adversarial Training Improve Generalization in Multi-View VLAs? Revealing and Mitigating View Collapse ／ Futa Waseda, Shuhei Kurita, Isao Echizen
日本語で読む → - 論文VLAロボティクス
ActionGround: 凍結VLAポリシーの学習不要な実行時リファインメント
学習済みVLAポリシーを再学習せずに包み込み、記号的なフェーズ認識と慣性重み付き運動方程式補正で制御ステップを実行時に修正する手法を提案。
原題: ActionGround: Training-Free Runtime Refinement of Frozen VLA Policies ／ Namai Chandra, Madhur Thareja, Shriram Damodaran 他
日本語で読む → - 論文VLA画像認識
動画タスクを時空間アナロジーで統合するViGeo
画像分野に限られていた視覚的アナロジーによる文脈内学習を動画領域に拡張し、時空間キャンバス補完によって多様な動画タスクを学習なしで統合・汎化するフレームワークViGeoを提案。
原題: Video, Ergo Genero: Unifying Video Tasks via Spatiotemporal Analogy ／ Chia-Hsiang Kao, Belinda Zeng, Bharath Hariharan 他
日本語で読む → - 論文VLAロボティクス
RoboFoundry：自己学習型身体性エージェントのためのシステム・アズ・ポリシー進化
エージェントの支援システム全体を一つのポリシーとして捉え、実行経験を検証済みのシステム更新に変換して自己進化させる身体性エージェントフレームワークを提案し、EmbodiedBenchで最先端性能を達成した。
原題: RoboFoundry: System-as-Policy Evolution for Self-Learning Embodied Agents ／ Jingsong Liang, Shuhao Liao, Shizhe Zhang 他
日本語で読む → - 論文VLAロボティクス
RecastVLA: 適応的ポリシー状態による過去の相互作用から未来の制御へ
フローマッチング型VLAポリシー内に適応的ポリシー状態を保持し、テスト時訓練で過去の行動生成履歴を次の制御に活かす手法を提案。LIBEROやRoboTwin、実機タスクで成功率を向上させた。
原題: RecastVLA: From Past Interaction to Future Control with Adaptive Policy States ／ Wenbo Li, Jun Yang, Yiteng Chen 他
日本語で読む → - 論文VLAロボティクス
CAPEX: 経験適応型推論による基盤モデル行動の展開可能なロボットポリシーへの効率的蒸留
マルチモーダル基盤モデルを自律的な実演者として使い、過去の実行経験に応じて再計画の頻度を適応させることで、低コストでロボットポリシー学習用データを収集するフレームワークCAPEXを提案した。
原題: CAPEX: Efficiently Distilling Foundation Model Behavior into Deployable Robot Policies through Experience-Adaptive Reasoning ／ Shivam Aarya, Zhang Xi-Jia, Chengyue Huang 他
日本語で読む → - 論文VLAロボティクス
World SLAM Model：SLAMとナビゲーションのための統合世界モデリング
SLAMの逐次状態更新とバックエンド補正の仕組みをナビゲーションに直接組み込み、将来の視覚状態予測とカメラ運動・密な幾何推定を統合した世界モデルを提案。
原題: World SLAM Model: Joint World Modeling for SLAM and Navigation ／ Minghui Qin, Yijun Yuan, Weicheng Zheng 他
日本語で読む → - 論文VLAphysics.optics
光学実験室における能動的知覚のための視覚言語エージェント
視覚言語モデル(VLM)がカメラ画像から直接アクチュエータを操作し、マイケルソン干渉計などの光学実験を閉ループ制御できるかを検証した研究。
原題: Vision-Language Agents for Active Perception in Optics Laboratories ／ Ryan Lopez, Sachin Vaidya, Seou Choi 他
日本語で読む → - 論文VLAロボティクス
PF-RL: 視覚言語行動モデルのための目標条件付き価値幾何による進捗場強化学習
VLAモデルの特徴上に目標条件付きの進捗表現を学習し、その幾何的距離から密な報酬を生成することで、長期的なマニピュレーションタスクの強化学習を効率化する手法を提案。
原題: PF-RL: Progress Field Reinforcement Learning via Goal-Conditioned Value Geometry for Vision-Language-Action Models ／ Yunpeng Qing, Yilun Kong, Sixu Lin 他
日本語で読む → - 論文VLAロボティクス
アフォーダンス条件付き意思決定：ゼロショット階層横断Vision-and-Languageナビゲーションにおける意味空間ギャップの橋渡し
ゼロショット意味プランナに、遷移可能なアフォーダンス姿勢を予測し行動生成を条件付ける局所実行モジュールPACEを追加し、失敗を考慮した選好学習で階層横断ナビゲーションの成功率を改善した。
原題: Affordance-Conditioned Decision Making: Bridging the Semantic-Spatial Gap in Zero-Shot Cross-Floor Vision-and-Language Navigation ／ Xuekang Yang, Lu Chen, Shuang Luo 他
日本語で読む →