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: 2026/10/27 ／ 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
人間の一人称視点動画から異なる身体性を超えた視覚表現を学習するEgo-CEVR
人間の一人称視点動画で大域的なタスク理解を、ロボットの手首観測と行動教師で細粒度の操作を別々に学習し、両表現を行動ポリシーに統合する枠組みを提案した。
原題: Ego-CEVR: Learning Cross-Embodiment Visual Representations from Human Egocentric Videos ／ Keru Zhou, Zhirui Fang, Xinrun Xu 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
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
ミリ波レーダによる3D占有言語フィールド
パノラマレーダ観測からシーン全体の3D占有と言語特徴を統合したフィールドを構築し、新しい記述でシーンを検索可能にするフレームワークTextRadarを提案。
原題: 3D Occupancy-Language Fields from mmWave Radar ／ Haowen Lai, Zhiwei Zheng, Mingmin Zhao
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 → - 論文VLAロボティクス
失敗から学ぶVLA：失敗軌道を負のガイダンスに活用したロバストなロボット操作
VLAモデルの失敗軌道をオンライン生成し、成功・失敗の二重アクション生成器を共通バックボーンで学習させることで、失敗しやすい領域を避けて成功率とロバスト性を高めるAFILを提案した論文。
原題: Tokens of Motion: Primitive Motion Learning for Human-Humanoid Skill Transfer ／ Hanwen Ren, Meng Zheng, Wenzhe Cui 他
日本語で読む → - 論文VLAロボティクス
物理ダイナミクス表現を備えた視覚-言語-行動モデルPDRVLA
動画生成を介さずに視覚-言語特徴から物理トークンを抽出し、将来のRGB・深度・オプティカルフロー予測で学習する軽量モジュールをVLAに組み込み、複数のシミュレーションで高い成功率を達成した。
原題: PDRVLA: A Vision-Language-Action Model with Physical Dynamics Representations ／ Hanqing Wang, Zhaotian Cai, Ruichuan An 他
日本語で読む → - 論文VLA画像認識
動きに着目した非対称予測で動画モデルをロボット制御に適応させる手法
動画生成モデルをロボット制御に転用する際、動きのある領域に重点的に視覚予測の学習を割り当てるMoGAPを提案し、操作タスクの成功率を向上させた。
原題: Adapting Video Models for Robot Control via Motion-guided Asymmetric Prediction ／ Taeyoung Kim, Junyoung Sung, Heeseung Kwon 他
日本語で読む → - 論文VLAロボティクス
本当に重要なのは何か？BEHAVIOR-1Kにおけるπ0.5の推論設定のペア評価
BEHAVIOR-1Kの全100タスクでVLAモデルπ0.5の推論・データ収集戦略を体系的にペア評価し、既存戦略が新しい環境やタスクに一様には転用できないことを示した。
原題: What Actually Matters? A Paired Evaluation of Inference Settings for $π_{0.5}$ on BEHAVIOR-1K ／ Ruben Hammele, Samira Huber, Mohammad Nazeri 他
日本語で読む → - 論文VLAロボティクス
言語から駆動へ：自律ロボットを人間の目的に整合させるマルチモーダル枠組み
LLMとVLMの文化的知識を活用し、自然言語で示された人間の目的をロボットのミッションや駆動へ変換する3層の整合プロセスを提案し、シミュレーションと実機で有効性を示した。
原題: From Language to Drives: A Multimodal Framework for Aligning Autonomous Robots with Human Purposes ／ Diana Cerdas-Vargas, Alejandro Romero, Richard J. Duro
日本語で読む → - 論文VLAロボティクス
JevVLA：Jevに着想を得たエネルギー基盤型VLAポリシー適応
凍結したVLAポリシーの上に約8万パラメータのエネルギー関数を学習し、離散候補選択と連続行動補正を同一の意思決定コアで改善する軽量適応手法を提案。
原題: JevVLA: Jev-Inspired Energy-Based Adaptation for Vision-Language-Action Policies ／ Wei Wang, Wenqiao Zhang, Zheqi Lv 他
日本語で読む → - 論文VLAロボティクス
VISTA: 身体性エージェントの自己改善のための能動的探索
ロールアウトの事後反省を能動的な自己探索に変え、ハーネスを反復的に改良するメタエージェントフレームワークVISTAを提案し、複数ベンチマークで段階的な性能向上を示した。
原題: VISTA: Active Exploration for Self-Improvement in Embodied Agents ／ Zhang Zhang, Shengjun Zhang, Simin Huang 他
日本語で読む → - 論文VLAロボティクス
リストカメラVLAポリシーの精密リーチングのためのロボット整合3Dガウシアンスプラッティング
3Dガウシアンスプラッティングで実作業空間を再構成し、ロボット整合姿勢から多様なリストカメラ観測と滑らかなリーチング軌道を生成してVLAポリシーを微調整するデータ生成手法を提案。指示条件付きリーチ検証器も追加し、基板分解作業で外部カメラなしに高精度リーチングを実現した。
原題: Robot-Aligned 3D Gaussian Splatting for Precise Reaching with Wrist-Camera VLA Policies ／ Zuoxu Wang, Xiao Liang
日本語で読む → - 論文ベンチマーク/VLAロボティクス
Labference：ロボット実験室における推論と行動の連携を評価するベンチマーク
物理的な実行結果に基づいてロボットが次の操作を適応的に選べるかを評価するベンチマークを提案し、VLAポリシーの目標選択エラーなどを明らかにした。
原題: Labference: Benchmarking the Reasoning-Action Connection in Robotic Laboratories ／ Shitong Liu, Jingwei Zhang, Sheng Lian 他
日本語で読む → - 論文ナビゲーションVLAロボティクス
コマンド持続予測でナビゲーションVLAの意味推論を効率化するASPEN
ナビゲーションVLAが同じコマンドを再推論する無駄を、軽量なマルチモーダル予測器でコマンド持続を予測して再利用し、VLA呼び出しを約9.5%削減した研究。
原題: ASPEN: Adaptive Semantic Reasoning via Command Persistence Prediction for Efficient Navigation VLAs ／ Vieri N. Akustia, Bin Hu
日本語で読む → - 論文VLA画像認識
MemVLN: 視覚言語ナビゲーションのためのストリーミングエピソード記憶
圧縮した知覚特徴を時系列と相対姿勢付きで保持する有界な記憶バンクとクロスアテンションによる記憶トークン生成を提案し、長期的な視覚言語ナビゲーションの性能を向上させた研究。
原題: MemVLN: Streaming Episodic Memory for Vision-Language Navigation ／ Yan Wang, Jiangyong Huang, Baoxiong Jia 他
日本語で読む → - 論文VLA画像認識
運転世界行動モデル向け統合マルチモーダルトークナイザ
外観・LiDAR深度・自車運動を単一の連続潜在表現に符号化する統合トークナイザDriveUniTokを提案し、拡散モデルで将来を予測してNAVSIMで最先端の計画性能を達成した。
原題: DriveUniTok: A Unified Multimodal Tokenizer for Driving World-Action Models ／ Jingbo Xu, Hanchao Leng, JiaHui Huang 他
日本語で読む → - 論文VLA/エッジ推論ベンチマークロボティクス
VLA-HWBench：エッジハードウェアでVLAモデルを動かすとき時間はどこへ消えるのか
18個のオープンVLAモデルをJetson ThorとAMD Ryzen AIで7段階に分けて推論計測し、行動生成戦略がモデルサイズより支配的で、カーネル融合と4bit量子化が有効な一方CPU前処理が相対的に増大することを示したベンチマーク研究。
原題: VLA-HWBench: Where the Time Goes When VLA Models Run on Edge Hardware ／ Borui Xu, Hongshi Tan, Wenqi Jiang 他
日本語で読む → - 論文VLA自然言語
OmniBrain-0: 身体性知能のための統合エージェントモデル
操作とナビゲーションを単一の軽量な意思決定モデルで統合し、段階的学習と自己改善の仕組みで長期的タスク遂行と失敗からの回復を実現した研究。
原題: OmniBrain-0: A Unified Agentic Model for Embodied Intelligence ／ Xiaomi Embodied Intelligence Team, Yuechen Luo, Chong He 他
日本語で読む → - 論文VLA画像認識
クラウドエッジ連携におけるLVLMベース3D-VQA向けの効率的なトークンプルーニングと統合情報源・通信路符号化
3D視覚質問応答のためクラウドエッジ連携でLVLMを動かす際、前景/背景を分離して局所・大域意味を保つトークンプルーニングと、SNR適応型の軽量な統合情報源・通信路符号化で伝送を効率化・頑健化する手法を提案した論文。
原題: TP-JSCC: Efficient Token Pruning and Joint Source-Channel Coding for LVLMs-based 3D-VQA in Cloud-Edge Collaboration ／ Zhengxin Li, Chongzhen Tian, Hui Yuan 他
日本語で読む → - 論文VLA画像認識
OSWAM：1ステップで行動生成する実用的ワールドアクションモデル
拡散過程の初期化に物理的・行動条件付きの「想像トークン」を用いることで、自動運転や身体制御において高品質な行動をわずか1ステップで生成できるワールドアクションモデルを提案した。
原題: OSWAM: An Effective World Action Model with One-Step Action Generation ／ Guowen Zhang, Liyi Chen, Xu Hu 他
日本語で読む → - 論文VLAロボティクス
フロンティアエージェントのEBenchによる性能評価：直接制御からポリシー併用ハーネスまで
マルチモーダルLLMエージェントによるロボット制御をEBenchで評価し、直接制御と学習済みVLA/WAMポリシー併用の2構成を比較した報告。
原題: Profiling a Frontier Agent with EBench: From Direct Control to Harness with Policy ／ Yifei Yao, Yude Zou, Guanbo Jiao 他
日本語で読む → - 論文VLAロボティクス
事前学習が「何を」を知り、シミュレーションが「どう」を教える：シミュレーション訓練ロボットエージェントの組合せ的一般化
小型の視覚言語モデルをツールハーネス経由でロボット制御に適応させ、実機データなしのシミュレーション訓練だけで実世界タスク96.7%を達成し、新規物体・目標・言語や未見の機体にも汎化することを示した論文。
原題: Pretraining Knows What, Simulation Teaches How: Compositional Generalization in a Sim-Trained Robot Agent ／ Benjamin Pikus, Daniel Saunders, Mircea Mironenco 他
日本語で読む → - 論文VLAロボティクス
TrySee: 専門分野向け閉ループロボットタスク計画のためのモジュール型知覚強化VLMグラウンディング
汎用VLMの推論とドメイン特化の知覚モジュールを組み合わせ、微調整や実演データなしで専門分野のロボットタスク計画を閉ループで行うパイプラインを提案し、実世界の分解作業を含む5分野で評価した。
原題: TrySee: Modular Perception-Enhanced VLM Grounding for Closed-Loop Robot Task Planning in Specialized Domains ／ Elias Hofele, Thomas Trapp, David Timmermann 他
日本語で読む → - 論文VLA画像認識
視覚言語ナビゲーションにおける段階認識型の視覚的寄与度説明手法
視覚言語ナビゲーションの意思決定を説明するため、指示の段階に応じて過去と現在の観測を統合し寄与度を推定する枠組みを提案し、失敗分析や実機ロボットでの有効性を示した。
原題: Explaining Navigation Decisions: Stage-Aware Visual Attribution for Vision-Language Navigation ／ Yiyuan Yao, Xinpeng Ding, Minglei Chen 他
日本語で読む → - 論文VLAロボティクス
RynnVLA-Latent: 3D接地潜在行動でロボット操作基盤モデルをスケールする
異種の動画から3Dに接地した連続潜在行動を学習し、それを用いてVLAモデルを事前学習することで、多様なロボット操作タスクで高い成功率を達成した研究。
原題: RynnVLA-Latent: Scaling Robotic Manipulation Foundation Models with 3D-Grounded Latent Actions ／ Haoyu Zhao, Xingyue Zhao, Zhian Su 他
日本語で読む → - 論文VLAAI
長期視野VLAのための変分認知メモリ抽象化
VLAモデル向けに、軌道を圧縮した潜在メモリとして選択的に保持・再利用する変分認知メモリ機構を提案し、長期マニピュレーション性能を向上させた論文。
原題: Variational Cognitive Memory Abstraction for Long-Horizon Vision-Language-Action Models ／ Xinyu Liu, Daiying Tian, Chenwei Tang 他
日本語で読む → - 論文VLAロボティクス
X-World：動画事前知識を可変視点ロボット制御へ転移するフレームワーク
動画拡散モデルの事前知識を固定長トークン列と共有アクションエキスパートに通して、1〜3視点の可変カメラ入力に対応するロボット制御ポリシーへ転移する手法を提案し、LIBEROや実機双腕タスクで有効性を示した。
原題: X-World: Transferring Video Priors to Variable-View Robot Control ／ Chun Gu, Xiaofei Wei, Yiming Chen 他
日本語で読む → - 論文VLAロボティクス
RoboDuo: コードを介した試行・確認・原子的リカバリによるVLAの長期的タスク遂行
コードをインターフェースにコーディングエージェントと2つのVLAを連携させ、全体タスクVLAの失敗を原子的スキルVLAで補完する閉ループ二重システムを提案。既存VLAの重みを更新せず長期的タスクの成功率を向上。
原題: RoboDuo: Attempt, Check and Atomic Recovery through Code for Vision-Language-Action Models ／ Jie Wang, Bo Zhang, Renzhi Lu 他
日本語で読む →