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: 2026/11/3 ／ 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機械学習
同じ言葉、異なる行動：推論型VLAにおけるテキストと行動の乖離を診断・制御する
推論型VLAモデルにおいて、生成される言語的根拠を一語も変えずに視覚摂動で物理行動だけを変えられることを示し、その乖離方向を診断・誘導する手法TNASを提案した研究。
原題: Say the Same, Act Differently: Diagnosing and Steering Text-Action Divergence in Reasoning VLAs ／ Zihao Feng, Qingzhao Zhang, Chunyu Xia 他
日本語で読む → - 論文VLA画像認識
FloMo: 人間動画からの学習におけるワールドアクションモデル中間表現としての3Dシーンフロー
動画生成モデルを3Dシーンフローとアクショントークンの予測に微調整し、人間動画とロボット操作データで共訓練することで、未見物体やタスクへの汎化を実現した研究。
原題: FloMo: 3D Scene Flow as a World Action Model Intermediate for Learning from Human Video ／ Jeremy Collins, Namra Patel, Ayush Agarwal 他
日本語で読む → - 論文VLAロボティクス
非同期ロボットポリシー
高レベルな意味推論を低頻度で非同期に実行し、軽量な視覚-行動エキスパートが高頻度で動作を生成するアーキテクチャを提案し、リアルタイム性と意味理解能力を両立させた。
原題: Asynchronous Robot Policies ／ Sombit Dey, Luc Van Gool, Danda Pani Paudel
日本語で読む → - 論文VLAロボティクス
曖昧な指示を対話で明確化する認知駆動型ロボット整理フレームワークCLARA
「部屋を片付けて」のような曖昧な指示に対し、人間のように質問を投げかけて整理の詳細を引き出し、拡散モデルで最終シーンの画像を生成して確認する枠組みを提案した論文。
原題: CLARA: A Cognitively-Driven Clarification Framework for Grounding Ambiguous Requests ／ Dimitrios Bekris, Marios Glytsos, Panagiotis P. Filntisis 他
日本語で読む → - 論文VLAロボティクス
アクション専門家はVLMを訓練すべきか？Mixture-of-Transformer型VLAにおけるアクショントークン監督と勾配経路
VLAモデルでVLMへの勾配遮断とアクショントークン監督を独立に操作し、運転とマニピュレーションで比較した研究。アクショントークン監督があれば勾配遮断でも遜色なく、なければ結合が軌道予測誤差を約25%低減することを示した。
原題: Should the Action Expert Train the VLM? Action-Token Supervision and Gradient Routing in Mixture-of-Transformer VLAs ／ Asher James Hancock, Boyi Li, Yuxiao Chen 他
日本語で読む → - 論文VLAロボティクス
行動意図を橋渡しに：人間視点動画からロボットへ操作知識を転移する手法
人間の動画から明示的な行動意図を抽出し、人間とロボットで共有する意図空間で対応付けることで、実機データなしに操作知識をロボットへ転移する二段階手法AITを提案した。
原題: Action Intent as a Bridge: Transferring Manipulation Knowledge from Human-Centric Videos to Robots ／ Zhiqian Xia, Lianyang Ma, Haifeng Xia 他
日本語で読む → - 論文VLAAI
人間のデモをロボットVLAポリシーへ橋渡しする共同学習フレームワーク
人間とロボットの非ペアデモから、表現と行動空間の両面で身体性ギャップを橋渡しし、事前学習済みVLAポリシーを適応させるH2RBを提案した。実世界タスクで物体・スキル転移性能を大幅に向上させた。
原題: Human-to-Robot Transfer via Bridging Representation and Action Space in VLAs ／ Junhyeong Park, Wook Jung, Taeyoung Kim 他
日本語で読む → - 論文VLAロボティクス
バリア認証安全アーキテクチャによる脚式ロボットの視覚言語ナビゲーションのケージング
VLAプランナを低層の物理接地層とSDFベースの衝突回避保証付きMPPIプランナで補強し、人型・四脚ロボットの実機で安全な視覚言語ナビゲーションを実現した。
原題: Caging Vision-Language Navigation for Legged Robots via Barrier-Certified Safety Architecture ／ Abhijeet M. Kulkarni, Saimouli Katragadda, Yuze Du 他
日本語で読む → - 論文VLAロボティクス
非マルコフ操作のための階層的明示言語メモリ
人間の内言に着想を得て、タスク関連の履歴を明示的な言語で保持する階層型VLAフレームワークHeLMを提案し、非マルコフ環境での操作成功率を向上させた。
原題: HeLM: Hierarchical Explicit Language Memory for Non-Markovian Manipulation ／ Gyeonghun Kim, Donghoon Kim, Minsoo Choi 他
日本語で読む → - 論文VLAロボティクス
世界事前知識を行動モデルに蒸留するリアルタイムロボット制御
動画拡散モデルの中間表現を訓練時に行動モデルへ蒸留し、テスト時は動画モデルを捨てることでリアルタイム制御を可能にした二段階フレームワーク。LIBEROで95.9%の成功率を達成し、推論を約21倍高速化した。
原題: W2A: Distilling World Priors into Action Models for Real-Time Robotic Control ／ Xiaopeng Zhang, Yongjin Mu, Yueyang Weng 他
日本語で読む → - 論文VLAロボティクス
ポリシーパッチを超えて：RL専門家を視覚-言語-行動ポリシーへ蒸留する
強化学習の専門家ポリシーを価値誘導型蒸留で単一のフローマッチングVLAに統合し、展開時に専門家なしで6つの実機タスク全てで100%成功を達成した。
原題: Beyond Policy Patches: Distilling RL Specialists into Vision-Language-Action Policies ／ Zhennan Jiang, Tingying Xie, Shilong Ji 他
日本語で読む → - 論文VLA画像認識
Gnomon4D: 幾何学的動作に基づくワールドアクションモデリングのための注目領域学習
未来の映像・ロボット動作・4D幾何学的動作場(GeoDelta)を同時生成するワールドアクションモデルを提案し、人間とロボットの動作関係を共有空間で捉えて行動事前学習を実現した。
原題: Gnomon4D: Learning Where and When to Focus for Geometric Motion-Grounded World-Action Modeling ／ Lingwei Dang, Yan Zhou, Juntong Li 他
日本語で読む → - 論文VLAロボティクス
VLALagBench：VLA推論レイテンシがいつなぜ重要になるかを理解するベンチマーク
VLAモデルの推論レイテンシがタスク成功率に与える影響を、タスク種別・対象速度・同期/非同期実行・ポリシー別に体系的に評価するベンチマークを提案し、成功率を予測する経験モデルも構築した。
原題: VLALagBench: Understanding When and Why VLA Inference Latency Matters ／ Qi Wen, Borui Xu, Hussein Amro 他
日本語で読む → - 論文VLAロボティクス
幻想を見抜く：ワールドアクションモデルのためのテスト時スケーリング
ワールドアクションモデルが生成する行動と想像未来の整合性を評価する事前選択器WISEを提案し、モデルを凍結したまま複数候補から最良を選ぶことでロボットタスクの成功率を大幅に向上させた。
原題: Seeing Through the Illusion: Test-Time Scaling for World Action Models ／ Cheikh Ahmed, Mahdi Mostajabdaveh, Milad Yazdani 他
日本語で読む → - 論文VLAロボティクス
身体性VLMは本当にシーングラフ記憶を使っているのか？
シーングラフを記憶として与えたVLMが実際にそれを利用しているかを、他エピソードのグラフと入れ替えるテストで診断し、テキスト入力では強く使われる一方グラフ入力では融合方法が情報を捨てていることを突き止めた。
原題: Do Embodied VLMs Actually Use Their Scene-Graph Memory? ／ Shubh Garg, Divyansh Pandey, Vedant Khandelwal 他
日本語で読む → - 論文VLA画像認識
拡散運転VLAにおけるシーン適応型読み出しとデコーディング
拡散型運転VLAの推論コスト削減のため、層ごとの軌道読み出し特性とシーンごとのデコーディング深さの違いを分析し、シーン条件付きMoE読み出しと適応的デコーディングで最大6倍高速化と精度向上を実現した。
原題: Scene-Adaptive Readout and Decoding in Diffusion Driving VLAs ／ Seungjun Yu, Jiho Choi, Inha Kang 他
日本語で読む → - 論文VLA/サービングロボティクス
エージェント型ロボット群の配信：ワークロード特性・KVキャッシュスラッシング・アドミッション制御
視覚言語ブレインとVLAポリシーを組み合わせたエージェントロボット群の配信を計測し、KVキャッシュの再プリフィルによるスラッシングとアクション期限の競合を明らかにして、静的エピソード上限によるアドミッション制御でスループットを改善した。
原題: Serving Agentic Robot Fleets: Workload Characterization, KV-Cache Thrashing, and Admission Control ／ Sida He
日本語で読む → - 論文VLAロボティクス
ロボット操作エージェントを民主化する統合ハーネスとオープンモデル
オープンウェイトモデルでロボット操作エージェントを研究・学習できる統合ハーネスを提案し、既存の商用モデルを上回る性能を示した。
原題: Democratizing Robot-Use Agents: A Unified Harness with Open Models ／ Jiarui Yuan, Yuxin Zuo, Xiaoyu Huang 他
日本語で読む → - 論文VLAロボティクス
同じ経路でより速く：推論遅延下でのVLAモデルの学習不要な高速実行
凍結したVLA方針に対し、経路を保ったまま時間スケーリングする学習不要の実行層を提案し、推論遅延下でも成功率を維持しつつスループットを大幅に向上させた。
原題: Same Path, Less Time: Training-Free Fast Execution of Vision-Language-Action Models under Inference Latency ／ Fuyi Chen
日本語で読む → - 論文VLAAI
経路誘導型CBF-QP修復による安全な視覚言語行動モデル
VLAモデルの行動をCBF-QP安全フィルタで補正する際、障害物を迂回して元の軌道に復帰できるよう経路誘導項を加えるポストホック修復手法を提案し、衝突回避とタスク成功率を改善した。
原題: Route-Guided CBF-QP Repair for Safe Vision-Language-Action Models ／ Chan Park, Sunwoo Hong, Kirak Kim 他
日本語で読む → - 論文VLAロボティクス
遅延とドリフトが重なるとき：ロボット基盤モデルの物理的安全は層をまたぐ問題である
ロボット基盤モデルの安全性を、環境・モデル・計算基盤・実行の変動が閉ループで相互作用する「層間変動伝播」として定式化し、推論遅延と視点変化が重なるとリスクが単独効果の和を大きく超えることを実験的に示した論文。
原題: When Delay Meets Drift: Physical Safety of Robot Foundation Models Is a Cross-Layer Problem ／ Liangkai Liu, Bimal Thapa Magar
日本語で読む → - 論文自動運転VLA画像認識
視覚マスクと緊急ブレーキを備えたGatedVLA：AlpaSim閉ループ走行チャレンジ技術報告
運転向けVLMとフローマッチング行動エキスパートを組み合わせたVLAポリシーに視覚マスクを加え、展開時にルールベースの自動緊急ブレーキを統合して閉ループ評価でのスコア向上と衝突低減を実現した。
原題: GatedVLA with Camera-Based Emergency Braking: AlpaSim E2E Closed Loop Challenge Technical Report ／ Kaneyoshi Hiratsuka, Naoki Takada, Makoto Kawano
日本語で読む → - 論文VLAロボティクス
WorldSketch: ゼロショット移動マニピュレーションのための世界モデルを描く
VLMに行動を直接生成させるのではなく、タスク関連物体と幾何・運動だけを捉えた最小限のキネマティック世界モデルを構築させ、幾何プランナで接触と全身運動を最適化する手法。実行フィードバックでモデルを自己修正し、複数ベンチマークでゼロショット高成功率を達成。
原題: WorldSketch: Sketching World Models for Zero-Shot Mobile Manipulation ／ Jiaming Wang
日本語で読む → - 論文VLAAI
低頻度VLMを高頻度制御に活用するLeap-VLA
VLMの意味推論を低頻度で走らせキャッシュを再利用し、高頻度のフローマッチング行動エキスパートでロボットを制御するVLAを提案。キャッシュの古さを考慮した訓練で非同期制御の性能劣化を大幅に抑えた。
原題: Leap-VLA: High-Rate Robot Control from a Low-Rate VLM Backbone ／ Lin Yang, Yunjie Shen, Zheyu Li 他
日本語で読む → - 論文VLAロボティクス
低パラメータ領域における視覚言語行動モデルの振る舞い誘導
凍結したVLAモデルに8〜384個の学習可能パラメータを持つTinyLoRAを適用し、強化学習や進化探索で物体の運搬高さなどの実行スタイルを誘導できることを示した。
原題: Behavioral Steering of Vision-Language-Action Models in the Low-Parameter Regime ／ James Tcheng, Feiyu Gavin Zhu
日本語で読む → - 論文自動運転VLAロボティクス
STEER: 経路認識型適応推論による自動運転
シーン難易度ラベルなしで、推論経路の不確実性と環境報酬に基づきCoT推論の過剰発動を抑える適応推論手法STEERを提案し、NAVSIMで検証した。
原題: STEER: Route-Aware Adaptive Reasoning for Autonomous Driving ／ Yangang Zou, Pei Liu, Nan Song 他
日本語で読む → - 論文VLAロボティクス
VLMを共同デノイザーとして活用するロボット行動生成
視覚言語モデル(VLM)を拡散型行動生成のデノイズ過程に参加させ、ノイズ付き行動を文脈化しながら行動専門家を誘導するJADEを提案。ロボット操作ベンチマークで高い成功率を達成。
原題: Vision-Language Models Are Joint Denoisers in Robotic Action Generation ／ Xicheng Gong, Wenxuan Song, Chengze Liu 他
日本語で読む → - 論文VLAロボティクス
Auriga：ゼロショット実体マニピュレーションのためのタスク非依存エージェントハーネス
VLMがロボット方策として直接動く際の計画-実行ギャップを埋めるため、3D計測や軌道プレビュー、実行中の逸脱検出を備えたタスク非依存のエージェントハーネスを提案し、RoboDojoで首位を達成した。
原題: Auriga Technical Report: A Task-Agnostic Agent Harness for Zero-Shot Embodied Manipulation ／ Chengcheng Wang, Yuheng Shi, Siyu Xu 他
日本語で読む → - 論文VLAAI
因果的世界行動モデル：行動の原因を分離して学習する
世界行動モデルにおいて、行動を引き起こす潜在変数と予測に必要な変数をスパース制約で分離し、行動生成を真の原因のみから行えるよう改良した研究。
原題: CausalWAM: Learning the Causes of Actions in World Action Models ／ Juntao Cheng, Jinzhou Tang, Fan Feng 他
日本語で読む → - 論文VLAロボティクス
VLAポリシーは「動くべきでない時」を判断できない：意図しないタスク実行と起動抑制の検証
VLAポリシーに空・無意味・不可能な指示を与えると、指示がなくても動き出し未指定のタスクを遂行してしまうことを示し、起動を抑える3手法を比較した研究。
原題: VLA Policies Do Not Know When Not to Act: Unintended Task Execution and Start Suppression ／ Minsu Jang, Jae-Woo Choi, Youngwoo Yoon 他
日本語で読む →