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: 2026/10/30 ／ 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
META-Robot：自己認知と能力拡張を両立するエージェント型ロボット
行動レベルの述語で実行結果を明示化し、LLMが自己の限界を認識して評価基準とスキルを段階的に拡張するフレームワークを提案。固有感覚フィードバックも活用し、実機・シミュレーションで汎化と継続的スキル拡張を示した。
原題: META-Robot: Self-Cognition and Capability Scaling in Agentic Robots ／ Xuanzhi Feng, Zeyu Liu, Weiheng Gao 他
日本語で読む → - 論文VLAロボティクス
RTPolicy：エッジデバイス上で動作するリアルタイム多視点視覚運動ポリシー
視点認識型の特徴融合と視覚圧縮により計算コストを削減し、エッジデバイス上で32.9Hzのリアルタイム推論を実現した多視点視覚運動ポリシー。
原題: RTPolicy: Real-Time (32.9 Hz) Multi-View Visuomotor Policy for Robotic Manipulation on Edge Devices ／ Xianbao Hou, Zehao Ni, Yonghao He 他
日本語で読む → - 論文VLA画像認識
構造認識型コードブック量子化による超低ビットVLAモデル
VLAモデルを超低ビットで重み量子化するSACQを提案し、構造認識型コードブックと行動誤差に基づくビット配分でメモリを約4.8倍削減しつつ高い成功率を維持した。
原題: SACQ: Structure-Aware Codebook Quantization for Ultra-Low-Bit Vision-Language-Action Models ／ Haesung Lee, Insu Han
日本語で読む → - 論文VLAロボティクス
Nexus-VLA: 共有階層的意味潜在空間による人間とロボットの経験の橋渡し
人間の動画とロボットの操作経験を階層的な意味空間で共有し、エンドツーエンドの共同学習で人間の操作知識をロボット方策に直接活かすVLAフレームワークを提案。
原題: Nexus-VLA: Bridging Human and Robot Experiences via a Shared Hierarchical Semantic Latent Space ／ Biaoliang Guan, Tingyu Yuan, Wen Ye 他
日本語で読む → - 論文VLAロボティクス
教示・抽象化・適用：対話で協働ロボットに作業を学ばせるフレームワーク
自然言語で協働ロボットに作業を教え、スキルとして抽象化して別の場面に適用できるTAAフレームワークを提案し、構造物組み立てタスクで検証した。
原題: Teach, Abstract, Apply: A Framework for Dialogue-Driven Task Learning with Collaborative Robots ／ Chalamalasetti Kranti, Sherzod Hakimov, David Schlangen
日本語で読む → - 論文VLAロボティクス
REA: 非同期な脳-小脳制御のためのルーティング型身体性エージェントランタイム
熟考する基盤モデル(脳)と高速ポリシー(小脳)を非同期に協調させるランタイムREAを提案し、ポリシーが脳の応答を待たない設計で成功率95.9%を達成しつつ制御ステップを25%削減した。
原題: REA: A Routed Embodied Agent Runtime for Asynchronous Brain-Cerebellum Control ／ Pengfei Zhou, Yixing Ma, Zhengfeiyang Zhang 他
日本語で読む → - 論文VLAAI
CalVLA：行動結果の教師信号でVLA方針の自信を校正
VLA方針の行動トークン確率を成功・失敗のロールアウトで学習させ、失敗検出のAUROCを0.45から0.73に改善した研究。
原題: CalVLA: Shaping Native Confidence in Vision-Language-Action Policies with Outcome Supervision ／ Boniface Chukwuemeka Godwin
日本語で読む → - 論文VLAロボティクス
OpenFlyV2：機上で動作する視覚言語行動モデルによる空中知覚とナビゲーション
視覚言語の共有表現から飛行ウェイポイントを生成し、Jetson Orin NX上で10Hzの閉ループ飛行を実現した機上VLAモデル。シミュレーションから実機クアッドロータへゼロショット転移し、実環境4種で48%のナビゲーション成功率を達成した。
原題: OpenFlyV2: An onboard vision-language-action model for aerial perception and navigation ／ Junli Liu, Zhongrui You, Chenhui Li 他
日本語で読む → - 論文VLAロボティクス
未来予測が引き起こす行動変化を補正するUtility-WAM
視覚的未来予測を条件にしたロボット行動生成が精度タスクで性能を大きく劣化させる問題を分析し、凍結したWAMに残差アダプタを付けて未来由来の速度変化を補正する手法を提案した。
原題: Utility-WAM: Correcting Future-Induced Action Changes ／ Feihong Zhang, Xi Lin, Yulong Shi 他
日本語で読む → - 論文VLAロボティクス
推論時に行動表現を誘導するSTAR
学習不要の推論手法STARを提案し、VLAモデルの後層の行動表現に物体認識的な更新方向を引き継がせて操作タスクの成功率を平均4.0ポイント向上させた。
原題: STAR: Steering Action Representations during Inference ／ Guangyu Zhao, Yongchang Zhang, Haoxuan Ru 他
日本語で読む → - 論文VLAロボティクス
トークンではなく幾何を解読：ロボットのアフォーダンスと軌道予測のための効率的VLM
小型VLMの凍結バックボーンに軽量な幾何予測ヘッドを付けて、座標を自己回帰生成せず連続値として直接回帰し、軌道誤差を大幅削減した研究。
原題: Decoding Geometry, Not Tokens: Efficient VLMs for Robot Affordance and Trajectory Prediction ／ Akila Ayanthi, Darshana Priyasad, Tharindu Fernando 他
日本語で読む → - 論文VLAロボティクス
RoboSeed：VLA・世界行動モデルの多次元評価フレームワーク
視覚言語行動モデルと世界行動モデルを、能力・学習コスト・配備コスト・研究価値・再現性の5次元で0〜100にスコア化し、予算や目的に応じたモデル選択を支援する評価枠組みを提案・適用した。
原題: RoboSeed: Multidimensional Evaluation of Vision-Language-Action and World-Action Models: Capability, Resource Affordability, and Research Evidence ／ Xin Ma, Furong Chen, Xinlong Man 他
日本語で読む → - 論文VLAロボティクス
世界モデルの物理事前知識を活用する階層型VLA
事前学習済みVLMの層ごとのKV注入とワールドモデルによるサブゴール予測を組み合わせ、ロボットの運動学的結合を考慮したフローマッチングで操作行動を生成する階層型VLAを提案し、LIBEROと実機で最高性能を達成した。
原題: PRIME W0: Physical Priors from World Models for Embodied Manipulation ／ Huabin Peng, Fagang Jin, Yancong Wei 他
日本語で読む → - 論文VLA画像認識
行動誘導型ワールドグラウンディングを備えた階層的先読みによるVLAモデル
短期・長期の未来予測を階層的に統合し、行動表現に応じて関連する未来情報を選択的に参照することで、ロボット操作のVLAモデルの性能を向上させた研究。
原題: HiFOR: Hierarchical Foresight with Action-Guided World Grounding for Vision-Language-Action Model ／ Rongxing Ding, Hongyu Qu, Kehong Wu 他
日本語で読む → - 論文VLAロボティクス
ブラックボックス視覚言語モデルの不確実性を代理ベイズ推定で定量化する視覚グラウンディング
ブラックボックスVLMによる視覚的指示対象の特定に対し、外部の代理ベイズモデルでクエリごとの不確実性を推定し、較正とタスク性能を改善する手法を提案した。
原題: Surrogate Uncertainty for Black-box Visual Grounding ／ Hanbo Zhang, Tianrun Hu, Cedar Site Bai 他
日本語で読む → - 論文VLAロボティクス
WorldBridge：動画と行動を橋渡しする汎用ワールドアクションモデル
動画予測と行動生成を別エキスパートに分け、構造化アテンションとフローマッチングで統合したWorld Action Modelを提案。動画のカバレッジ拡大と少数の行動ラベル付き実演で未知タスクへの転移性能が大きく向上することを示した。
原題: WorldBridge: Bridging Video and Action for Task Generalization in World Action Models ／ Jun Cen, Yubo Guo, Hao Li 他
日本語で読む → - 論文VLAロボティクス
実演拡張と実行設計による細粒度マニピュレーションの改善
事前学習済みVLAポリシーを、指示・視覚条件を多様化した実演拡張とタスク別の実行設計で微調整し、細粒度操作タスクの精度を向上させた研究。
原題: Improving Fine-Grained Manipulation through Demonstration Expansion and Execution Design ／ Jingxu Gu, Dongze Lian
日本語で読む → - 論文VLAロボティクス
行動に影響する視覚経路を狙う攻撃：PASA-KV
World Action Modelの内部視覚表現のうち、行動生成に実際に影響するK/V経路を特定して攻撃する手法を提案し、実機ロボットでも有効性を示した。
原題: PASA-KV: Attacking Action-Facing Visual Routes in World Action Models ／ Zhongbo Wu, Jiakai Huang, Zheng Zhang 他
日本語で読む → - 論文VLAロボティクス
VLAは推論をどこまで信頼すべきか：ステップ単位ガイダンスを測定された行動価値関数として扱う手法
推論型VLAポリシーの推論トレースを各ステップでどれだけ強く反映させるかを、測定ベースの行動価値関数として適応的に決めるQ-adaptive guidanceを提案し、自動運転シミュレータとWaymoベンチマークで固定重みやオンラインRLを上回った。
原題: How Much Should a VLA Trust Its Reasoning? Step-Level Guidance as a Measured Action-Value Function ／ Dabin Seo, Eunhyek Joa
日本語で読む → - 論文VLAロボティクス
推論から行動へ：視覚-言語-行動モデルのための結果に基づく整合フレームワーク
VLAモデルの推論(ECoT)と行動生成を報酬誘導最適化で明示的に整合させるCoRActを提案し、操作タスクでの成功率・汎化・推論実行整合性を向上させた。
原題: From Reasoning to Action: Consequence-Grounded Alignment for Vision-Language-Action Models ／ Yixue Zhang, Wenke Xia, Kun Wu 他
日本語で読む → - 論文VLAロボティクス
EmbodiExp：身体性エージェントのための合成可能な経験転移
サブゴール単位で検証可能な経験を構築し、実行中にオンラインで組み合わせることで、タスク間の経験転移と失敗の活用を可能にするフレームワークを提案。
原題: EmbodiExp: Compositional Experience Transfer for Embodied Agents ／ Zhifeng Gu, Ying Chen, Rui Jiang 他
日本語で読む → - 論文VLAロボティクス
BURGER：描画タスクでロボットの汎化能力を測るベンチマーク
言語条件付きロボット描画の大規模ベンチマークBURGERを提案し、282タスク・28,200デモでVLAモデルのデータスケール・言語接地・マルチモーダル挙動を評価した。
原題: BURGER: Benchmarking and Understanding Robotic Generalization via Embodied Drawing ／ Xiangyu Xu, Bangshuai Peng, Ziyi Liu 他
日本語で読む → - 論文VLAロボティクス
CaPtain：コード・アズ・ポリシー型ロボットエージェントの事後学習パイプライン
小型オープンVLMをコード生成型ロボット操作エージェントへと訓練するパイプラインを提案し、物理シミュレータの特権状態を用いたマルチターン強化学習で性能を大幅に向上させた。
原題: CaPtain: A Pipeline for Post-Training Code-as-Policy Robot Agents ／ Yijia Fan, Xilin He, Yilei Jiang 他
日本語で読む → - 論文VLAロボティクス
ナビゲータは何を記憶すべきか？ゼロショット視覚言語ナビゲーションのための時空間記憶
8B規模のゼロショットVLNエージェントにおいて、指示進捗・階層圧縮した観察履歴・累積幾何情報をタスク/時間/空間記憶として統合し、記憶の種類ごとの寄与を実機含めて検証した論文。
原題: What Should a Navigator Remember? Spatiotemporal Memory for Zero-Shot Vision-Language Navigation ／ Yuhang Peng, Zhikai Wang, Ziyi Wang 他
日本語で読む → - 論文VLAロボティクス
JEPA特徴を用いたVLA制御における未来潜在予測の評価
V-JEPA特徴を入力とするVLAポリシーに未来表現予測の補助損失を加え、閉ループ制御性能への影響をLIBERO-Plusで検証した。現状のJEPA条件付けは成功率を向上させるが、未来予測の追加監督は明確な利得を示さなかった。
原題: SaiVLA-JEPA: Evaluating Future Latent Prediction in JEPA-Conditioned VLA Control ／ Rufeng Xiao, Ruihao Xiao, Wei Chen 他
日本語で読む → - 論文VLAロボティクス
World Action ModelにおけるBest-of-N選択の真の効果を測定する
World Action Modelのテスト時選択による改善幅を、再現可能な分岐と共通乱数を用いた脱ノイズ反事実プロトコルで正確に測定し、失敗ゲート付きセレクタで閉ループ性能を向上させた研究。
原題: How Much Can Best-of-N Help a World Action Model? Measuring Selectable Headroom and Realizing It in Closed Loop ／ Haojia Gao, Yue Cao, Yumin Liu 他
日本語で読む → - 論文VLAロボティクス
VLA-Stem：強化学習による視覚言語行動モデルの軽量安全機構
VLAモデルの行動を微調整せずに軌道参照へ変換し、強化学習ベースの軽量ポリシーで空間制約や動的障害物に適応させる安全機構を提案。衝突回避成功率を大幅に向上させた。
原題: VLA-Stem: A Lightweight Safety Mechanism for Vision-Language-Action Models via Reinforcement Learning ／ Bojun Zou, Wenhao Yu, Jiaohao Li 他
日本語で読む → - 論文VLAロボティクス
行動のための検索：ロバストなVLA実行のための動作プリミティブグラフ検索
訓練時の動作履歴を時空間動作プリミティブグラフとして構築し、推論時にGNNで現在位置を特定して将来の動作を検索・融合することで、VLAポリシーの分布外視覚変化へのロバスト性を高める手法を提案。
原題: Retrieve to Act: Motion Primitive Graph Retrieval for Robust VLA Execution ／ Pham Tri Quang, Bao-Ngoc Dao, Minh Duc Nguyen 他
日本語で読む → - 論文VLA画像認識
視覚言語行動か世界行動か、いっそ行動モデルで十分
VLAとWAMの設計選択を分離し、事前学習済み視覚バックボーンと行動損失・未来予測損失で訓練する共通フレームワークJAMを提案。視覚生成なしで両者を上回る成功率を達成した。
原題: Vision-Language-Action or World-Action? Just Action Models ／ Yonghao Yu, Lang Huang, Runyi Li 他
日本語で読む → - 論文VLAロボティクス
動画生成とロボット制御を単一バックボーンで統合するTAPESTRY
事前学習済み動画拡散Transformerを再利用し、ロボットの行動を動画の潜在空間における単一パッチトークンとして扱うことで、推論時の動画生成なしに高速な行動生成を実現したワールドアクションモデル。
原題: TAPESTRY: A Single Backbone for Video Generation and Robot Control ／ Jeremy A. Collins, Seungjae Lee, Rachanon Wachakorn 他
日本語で読む →