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: 2026/10/25 ／ 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
TRIAGE：視覚言語行動モデルの効率的推論には再利用と枝刈りの両方が必要
視覚トークンのドリフトに応じてKVキャッシュの再利用と枝刈りを切り替える学習不要のVLA推論高速化手法TRIAGEを提案し、オンボード実時間制御を可能にした。
原題: TRIAGE: Efficient Vision-Language-Action Inference Needs Both Reuse and Pruning ／ Sooyoung Kwon, Carlee Joe-Wong, Kyunghan Lee
日本語で読む → - 論文VLAロボティクス
BEHAVIOR-Spatial：ロボットの空間理解を評価するベンチマーク
BEHAVIOR-1K上に構築した空間QA・目標グラウンディング・ロボット行動のベンチマークで、VLMの空間理解がVLA行動にどう結びつくかを調べた。指示変更時の成功率低下や知覚性能と行動の相関を明らかにした。
原題: Behavior Spatial Benchmark: Evaluating Spatial Understanding for Robotics ／ Sirui Chen, Huang Huang, Qineng Wang 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VLAHCI
InteractiveWorld: 人間中心の検証可能な対話型MLLMアシスタント環境
AIアシスタントが人間に指示を出し人間が行動する閉ループ対話を検証可能にシミュレートする環境と、6カテゴリ120タスクの動的ベンチマークを提案し、最先端MLLMの限界を示した。
原題: InteractiveWorld: A Verifiable Human-Centric Environment for Building Better Interactive MLLM Assistants ／ Qinsi Wang, Wei Wen, Chong Zhou 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画像認識
TurboWAM: 高速ワールドアクションモデルのための重要情報学習
ワールドモデルの各層から行動予測への関連度に応じて表現を適応的に集約し、推論時の層削減とキャッシュで計算を大幅に削減した高速ワールドアクションモデル。
原題: TurboWAM: Learning What Matters for Fast World Action Models ／ Guile Wu, Shuangzhi Li, Xingxin Chen 他
日本語で読む → - 論文VLAロボティクス
RoboJev: ロボットタスク成功判定のためのオープンな視覚言語ジャッジ
ロボット操作動画からタスク成功/失敗を判定するオープンウェイトの視覚言語モデルRoboJev-27Bを開発し、同一ロボットで95.2%のバランス精度、未知のロボットでも高い汎化性能を示した。
原題: RoboJev: An Open Vision-Language Judge for Robot Success Detection ／ Josef Liyanjun Chen
日本語で読む → - 論文VLAロボティクス
物理観測分布に基づく回転位置エンコーディングPOD-RoPE
カメラ中心・視線方向・サンプリング時刻の分布としてトークンの観測範囲を表現し、ロボット操作ポリシーの性能と効率を向上させる位置エンコーディング手法を提案した。
原題: POD-RoPE: Rotary Position Encoding over Physical Observation Distributions for Embodied AI ／ Xiaodi Huang, Zilin Wang, Jinpeng Liu 他
日本語で読む → - 論文VLAロボティクス
EXE: 因子分解潜在行動による一人称視点の異形態間事前学習
一人称視点の人間動画から共有操作スキルと身体固有の動きを分離した潜在行動表現を学習し、VLAモデルの事前学習に活用するフレームワーク。
原題: EXE: Egocentric Cross-Embodiment Pretraining via Factorized Latent Actions for VLA Models ／ Qingyuan Cai, Bo Zhang, Yongzhen Huang 他
日本語で読む → - 論文VLAロボティクス
MOON: 視覚言語ナビゲーションにおける忘却のタイミングと復帰行動の学習
凍結したVLNポリシーに逸脱判定とGRPOで訓練した復帰ポリシーの2つの軽量モジュールを追加し、経路逸脱時に履歴を消去して復帰を学習させることでR2R-CEの成功率を5.2ポイント向上させた論文。
原題: MOON: Learning When to Forget and How to Move On in Vision-and-Language Navigation ／ Jingmeng Zhou, Seson Sun, Binyao Xu 他
日本語で読む → - 論文VLAAI
2の冪リーキー積分発火ニューロンによるイベント駆動型視覚-言語-行動推論
事前学習済みVLAモデルの重み付き射影内に2の冪振幅の符号付きスパイクを発するPoT-LIFニューロンを組み込み、外部インターフェースを変えずにスパースなイベント駆動計算を実現した研究。
原題: Power-of-Two Leaky Integrate-and-Fire Neurons for Event-Driven Vision-Language-Action Inference ／ Rui Liu, He Lv, Ziyao Zhang 他
日本語で読む → - 論文VLA画像認識
音声から直接ロボット操作を指示する音声-言語-行動モデル
音声をテキストに変換せず直接モータコマンドへ写像するSpeech-π0.5を提案し、ASR経由より3倍低遅延で未知のアクセントにも頑健なことを示した。
原題: Late Breaking Results: Audio-Language-Action Models with Direct Speech Conditioning for Robotic Manipulation ／ Enfu Nan, Pu Zhao, Yixiao Chen 他
日本語で読む → - 論文VLAロボティクス
失敗したら巻き戻せ：凍結VLAのための軽量リカバリ機構
凍結したVLAポリシーの内部表現を読む小型の失敗予測ヘッドを学習し、失敗確率が閾値を超えたら腕の直近の動きを巻き戻して再試行させる軽量リカバリ手法を提案。LIBERO-Longで失敗率を19〜48%削減。
原題: If at First You Don't Succeed, Backtrack: Lightweight Recovery for Frozen VLAs ／ Thomas Landeg, Thierry Tambe
日本語で読む → - 論文VLAロボティクス
人間の修正が連邦学習で伝播するとき：VLA適応における安全性
多様な人間の修正から得たVLAポリシーの適応を連邦学習で共有する際の安全性課題を整理し、文脈・不確実性の保持、受信ロボットの閉ループ評価、漏洩と保持の評価という3要件を提言する立場論文。
原題: When Human Corrections Travel: Safety in Federated VLA Adaptation ／ Vigneshwaran Subbaraju, Obaidullah Zaland, Monowar Bhuyan
日本語で読む → - 論文VLAロボティクス
VLAモデルへのTTT導入：人間のデモンストレーションを用いた学習の検討
Test-Time TrainingをInternVLA-A1とPi0.5に組み込み、人間のデモとロボット軌道のペアで学習させ、デモに基づく行動生成が可能かを検証した研究。
原題: TTT in VLA Models: Exploring Training with Human Demonstrations ／ Qiangong Zhou, Jiafeng Liang, Yimin Dong 他
日本語で読む → - 論文VLAロボティクス
卓上から歩行ロボットへ：脚式マニピュレータへのVLAモデル実装
四足歩行ロボットに搭載したアームでVLAモデルを実機展開し、データ収集・モデル適応・推論設計の実践的な選択肢を検証した。デモ拡充で誤差30%減、副次スキル追加で性能劣化なく新行動を獲得できることを示した。
原題: From Tabletop to Walking Bot: Deploying a VLA Model on a Legged Manipulator Robot ／ Giovanni Minelli, Antonio Langella, Giovanni B. Dessy 他
日本語で読む → - 論文VLAロボティクス
フローマッチングVLAにおける実行ホライズンとサンプリング深度の結合
フローマッチング型VLAでは粗い数値積分が開ループ実行時に精度をむしろ向上させることを発見し、ホライズンとソルバー深度を連動させることで学習不要かつ低遅延でタスク成功率を高めた。
原題: Coupling Execution Horizon and Sampling Depth in Flow-Matching VLA Policies ／ Jiabing Yang, Yuan Xu, Yixiang Chen 他
日本語で読む → - 論文VLAロボティクス
RynnUnify：統合型身体性ブレインへの挑戦
動画と言語の交互推論で身体的理解と長期視覚計画を統合した16Bモデルを提案し、強化学習によるエージェント拡張とロボット制御への拡張も実現した。
原題: RynnUnify: Towards Unified Embodied Brain ／ Minghao Zhu, Bohan Hou, Kun Xiang 他
日本語で読む → - 論文VLAロボティクス
LogLook: 実行に基づく記憶でロボットプランナーを強化
フロンティアVLMプランナー向けに、実行ログと選択的視覚参照を組み合わせた記憶機構を提案し、トークンと画像を大幅削減しつつ成功率を維持・向上させた。
原題: LogLook: Execution-Grounded Memory for Frontier-Model Robot Planners ／ Tianyi Jiang, Tianyao Tong, Zhenshan Bing
日本語で読む → - 論文VLAロボティクス
スキル条件付きLoRA-MoEと軌道アフォーダンス事前分布による多スキルロボット操作
指示から実行すべきスキルを選び、物体への接触・移動位置を予測する軌道アフォーダンス事前分布を組み合わせたVLAフレームワークMAST-VLAを提案し、CALVINベンチマークで最先端性能を達成した。
原題: MAST-VLA: Skill-Conditioned Adaptation with Trajectory-Affordance Priors for Multi-Skill Robot Manipulation ／ Jiachi Yang, Zhiyi Xu, Hongquan Zhang 他
日本語で読む → - 論文VLAロボティクス
VLAは失敗を予見できるか？物理AIシステムにおける解釈可能な成功・失敗パターン
OpenVLAの活性化に疎オートエンコーダを適用し、失敗前に結果を予測できる特徴を発見するとともに、成功・失敗の各段階に対応する行動パターンを解釈する手法を提案した。
原題: Do VLAs Know They Will Fail? Interpretable Success and Failure Patterns in Physical AI Systems ／ Christian A. Rogers, Qian Lin, Daniel S. Brown
日本語で読む → - 論文VLAAI
Ψ-0.6：統合視覚言語ワールドモデルにおける適応的思考ストリーム
知覚・言語・幾何・シミュレーションを共有トークン上で柔軟に組み合わせて推論する統合視覚言語ワールドモデルを提案し、多視点空間推論や反事実シミュレーションで性能向上を示した。
原題: $Ψ$-0.6: Adaptive Streams of Thought in a Unified Vision-Language World Model ／ Khai Loong Aw, Klemen Kotar, Baihan Zhang 他
日本語で読む → - 論文VLAAI
学習した速度事前分布によるロボット実演の時間再調整
大規模実演データから速度の事前分布を学習し、タスクごとに一貫した速度で実演を再タイミングしてVLAポリシーを微調整する手法を提案。
原題: Retiming Robot Demonstrations with a Learned Speed Prior ／ Seungyong Moon, Deokjae Lee, Hansang Lee 他
日本語で読む → - 論文VLAロボティクス
視覚意味論と4D幾何を統合した世界行動モデルUniFlowWAM
3Dシーンフローを視覚・行動と対等な第三のモダリティとして扱い、拡散トランスフォーマーで統合した世界行動モデル。ポリシーや順/逆ダイナミクスなど多役割を単一モデルで実現し、シミュレーションと実機双腕操作で有効性を示した。
原題: UniFlowWAM: A Unified World-Action Model with Visual Semantics and 4D Geometry ／ Jialin Tian, Zhuofan Li, Xinkai Wang 他
日本語で読む → - 論文VLAロボティクス
VLAモデルの内部活性化による軽量ランタイム監視
VLAモデル自身の内部活性化に線形プローブを学習させて進捗を推定し、想定から外れた実行を検知する軽量なランタイム監視手法を提案した論文。
原題: Progress Probes $P^2$: Lightweight Runtime Monitoring for Vision-Language-Action Models ／ Atiksh Bhardwaj, Edward W. Duan, Junwon Seo 他
日本語で読む → - 論文VLAロボティクス
一歩で十分：フローマッチング方策におけるオイラー積分の実証研究
フローマッチング型VLA方策では多段ODE推論が不要で、十分に訓練された大規模モデルなら1ステップ生成が多段と同等の性能を発揮することを6モデルで実証した。
原題: When One Step Is Enough: An Empirical Study of Euler Integration in Flow-Matching Policies ／ Shivakanth Sujit, Luca Nunziante, Rousslan Fernand Julien Dossa 他
日本語で読む → - 論文VLA画像認識
SmolVLA-MoE：効率的なマルチタスクロボット操作のためのスパース混合エキスパート
軽量VLAモデルの行動エキスパートにスパースMoEを導入し、トークンごとに最適なエキスパートを選択させることで、計算コストを抑えつつマルチタスク操作性能を向上させた研究。
原題: SmolVLA-MoE: Sparse Mixture-of-Experts for Efficient Multi-Task Robotic Manipulation ／ Shiyang Zhang, Miao Yang, Zhengda Li 他
日本語で読む → - 論文VLAロボティクス
EgoForesight：ノイズを含む一人称視点行動データで方策学習を効果的にスケールする
ロボット実演とノイズの多い一人称動画を併用し、信頼度に応じた行動監督と将来表現の蒸留で方策学習をスケールさせる視覚-言語-行動フレームワークを提案した論文。
原題: EgoForesight: Effectively Scaling Policy Learning with Noisy Egocentric Actions ／ Chubin Zhang, Changyuan Wang, Yirui Wang 他
日本語で読む → - 論文VLAロボティクス
Co^2Gen: 分散型マルチロボット・人間協調のための協調的タスク計画生成
人間の遠隔操作なしに、分散型協調計画でマルチロボットの協調計画を生成し、その計画から協調デモデータを作ってVLAモデルを分散的に微調整するフレームワークを提案した論文。
原題: Co^2Gen: Collaboratively Generating Task Plans for Decentralized Multi-Robot and Human Collaboration ／ Yi Loo, Siddhant Shrivastava, Minh Long Pham 他
日本語で読む → - 論文VLAロボティクス
fp32マスターコピーなしのbf16ファインチューニングは更新の大半を静かに消す
VLAモデルをbf16のみで学習すると小さい更新が丸められて消えることを示し、fp32コピーを保持するだけでLIBERO成功率が大幅に向上することを報告した論文。
原題: Full-Weight VLA Fine-Tuning Without an fp32 Master Copy Silently Erases Most Updates ／ Shubham Singh
日本語で読む →