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: 2026/10/22 ／ 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
世界モデルを政策改善のために訓練するDRILL
世界モデルを画素予測ではなく政策のリターン最大化で訓練する二段階フレームワークを提案し、操作タスクで成功率を向上させた。
原題: DRILL: Training World Models to Improve Policies, Not Predict Pixels ／ Zhaolu Kang, Tailong Luo, Lei Wei 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
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
いつエスカレーションすべきか：批評家誘導によるクラウド・ローカル身体性エージェントの適応実行
軽量ローカルモデルが実行を担い、信頼性が低下した時だけ批評家モデルがクラウドの強力モデルへ制御を引き継ぐ適応実行フレームワークCAREを提案。共有ハンドオフメモリで文脈を保ち、成功率向上と遅延削減を両立した。
原題: Know When to Escalate: Critic-Guided Adaptive Execution for Cloud-Local Embodied Agents ／ Wei Zhang, Lirong Xiang, Charles Fleming
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
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
FocusVLA: 将来意図に基づく動的視点ルーティングでVLAモデルを強化
将来の操作意図を予測してグローバル視点とローカル視点の使い分けを動的に切り替えることで、VLAモデルの多視点活用とタスク成功率を向上させた研究。
原題: FocusVLA: Future-Intent Guided Dynamic View Routing for Vision-Language-Action Models ／ Huixin Xu, Ziya Yu, Peng Li
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
Echo: VLAモデル向けの行動とタスク状態信号の結合デノイジング
VLAポリシーに停止・失敗のタスク状態信号を行動チャンクの次元として組み込み、フレーム単位の進捗注釈なしで学習しつつ、信号を行動より速くデノイズして行動生成を導くフレームワーク。
原題: Echo: Coupled Action and Task Status Signal Denoising for Vision Language Action Models ／ Yufeng Liu, Bohao Fan, Juntu Zhao 他
日本語で読む → - 論文VLAロボティクス
推論から行動へ：LIBERO-10ロボット操作タスクにおける最先端AIモデルのベンチマーク評価
汎用AIモデルがタスク特化の学習なしにロボット操作を行えるかを検証するため、LIBERO-10上で6モデル・18設定・1800エピソードの閉ループ評価を実施した。最高成功率は44%で、推論努力の増加は概ね性能を向上させるがタスク間差が大きいことを示した。
原題: From Reasoning to Action: Benchmarking Frontier AI Models on LIBERO-10 Robot Manipulation Tasks ／ May Espinola, Qifan Zhang, Yu Xiang
日本語で読む → - 論文VLAロボティクス
マルチモーダル身体性エージェント：コンピュータ利用からロボット利用までを統合する能力中心の視点
マルチモーダル身体性エージェントを「知覚・予測・計画・行動・検証」の5能力で捉える統一フレームワークPAPAVを提案し、コンピュータ利用エージェントやロボットシステムとの比較と64ベンチマークの評価傾向を分析した論文。
原題: Multimodal Embodied Agents: A Unified Capability-centric Perspective from Computer-Use to Robot-Use ／ Yanzhe Chen, Ziyi Yang, Jifeng Zhu 他
日本語で読む → - 論文VLAロボティクス
まず計画し、後で行動する：ロボット制御のための実行可能メモリを伴うストリーミング推論
視覚言語モデルが視覚観測をサブタスクリストに変換してメモリに保存し、実行時に低レベルVLAポリシーへ渡す階層的メモリフレームワークを提案。長期的なロボット操作タスクの成功率を向上させた。
原題: Plan First, Act Later: Streaming Reasoning for Executable Memory in Robot Control ／ Qinghang Liu, Conglin Wang, Zongsheng Li 他
日本語で読む → - 論文VLAロボティクス
未来映像表現の自己蒸留によるワールドアクションモデル
ビデオ拡散モデルの中間表現を1ステップで高品質化する自己蒸留フレームワークFREDを提案し、実世界マニピュレーションで長期的・未知環境タスクの成功率を大幅に向上させた。
原題: Self-Distilling Future Video Representations for World Action Models ／ Huiwon Jang, Suhyeok Jang, Hyeonmo Kang 他
日本語で読む → - 論文VLAロボティクス
FlowVLA：定量的なロボット注ぎのための流れを考慮した物理的完了学習
注ぎ中の移動質量を視覚・関節・手首力覚から推定し、目標量に達したら戻る判断を行うVLA手法。コーヒーポット実験で誤差13.1gを達成。
原題: FlowVLA: Learning Flow-Aware Physical Completion for Quantitative Robotic Pouring ／ Liwen Yang, Yutian Zhang, Jiaqi Zhai 他
日本語で読む → - 論文VLAロボティクス
NavBind：ナビゲーションVLAにおける分岐点での指示-行動バインディングの診断
経路の分岐点で指示を変えたとき行動分布が変わるかを調べ、ナビゲーション成功が指示追従を意味しないことを示す診断手法を提案した論文。
原題: NavBind: Diagnosing Instruction-Action Binding at Route Forks in Navigation VLAs ／ Josh Qixuan Sun, Xiaoying Xing, Yurun Chen 他
日本語で読む → - 論文VLAロボティクス
関係幾何フォーシングによるワールドアクションモデル
3D基盤モデルの幾何学的知識を点単位ではなく特徴間の関係性として転写し、ロボット操作のワールドアクションモデルの動作学習を改善する手法を提案した。
原題: Relational Geometry Forcing for World Action Models ／ Yuan Xu, Yixiang Chen, Qisen Ma 他
日本語で読む → - 論文VLAロボティクス
RGB動画からの再構成強化型両手巧緻操作の視覚運動事前学習
RGBのみの人間動画からシーン形状と手の動きを再構成し、それを入力と予測対象に用いる視覚運動事前学習で、3Dに接地した両手巧緻操作を獲得するフレームワークSpatialDexを提案した。
原題: Reconstruction-Augmented Visuomotor Pre-Training of 3D-Grounded Bimanual Dexterity from RGB-Only Human Videos ／ Xingyi He, Zhiwen Qiu, Adhitya Polavaram 他
日本語で読む → - 論文VLAロボティクス
視覚言語行動ポリシーのための事後的不確実性推定
単一のVLAポリシーの埋め込みからガウス過程のカーネル分散ヘッドで認識的不確実性を事後的に推定し、アンサンブルと同等の性能を低コストで実現した研究。
原題: Post-hoc Epistemic Uncertainty for Vision-Language-Action Policies ／ Johannes Keller, Albrecht M. Bloße, Adrian Lindenmeyer 他
日本語で読む → - 論文VLAロボティクス
VLMプランナーからロボットエージェントへ：履歴依存マニピュレーションのための自己進化ハーネス
VLMプランナーを編集可能なハーネスでロボットエージェント化し、実行経験から自己進化させて履歴依存の長期的マニピュレーションを改善するSERAを提案。RoboMMEで成功率51.38%を達成。
原題: From VLM Planners to Robotic Agents: Self-Evolving Harnesses for History-Dependent Manipulation ／ Tingwen Du, Haoyu Guo, Hanxue Zhang 他
日本語で読む → - 論文VLAロボティクス
表現事前分布がワールドアクションモデルの汎化をどう形作るか
ワールドアクションモデルがバックボーンから受け継ぐ表現幾何に着目し、訓練前の「nuisance直交性」が訓練後の視覚変化への頑健性・汎化を予測できることを示した研究。
原題: How Representational Priors Shape Generalization in World Action Models ／ Junha Chun, Youngjoon Jeong, Taesup Kim
日本語で読む → - 論文VLAロボティクス
エージェント型ワールドアクションモデル
コードによる計画と動画・行動の同時予測を統合したAW-0を提案し、スキルを再利用可能なプログラムとして扱うことでロボット操作の性能と汎化性を向上させた。
原題: Agentic World Action Models ／ Zhuoyang Liu, Dantong Niu, Botong Zhang 他
日本語で読む → - 論文VLAロボティクス
記憶は外部に置くべきか：身体性エージェントの経験の保存場所に関する事前登録研究
記憶拡張型VLM教師の経験を重みに蒸留するのと推論時に外部検索するのを比較し、外部記憶の付与が+34ppと大幅に有効だと示した事前登録研究。
原題: Externalise the Memory: A Pre-Registered Study of Where an Embodied Agent's Experience Should Live ／ Cheng-Yin Tu
日本語で読む → - 論文VLAAI
VLAコーパス選択における対照指示依存性の検証：関連性から意思決定価値へ
ロボット実演コーパスの選別指標として「目標のみ変化時の初回意思決定変化率」を提案し、136の四足歩行ナビゲーションコーパスで事前登録的に検証したが、下流の選択性能への増分寄与は限定的だった。
原題: From Association to Decision Value: Testing Paired Instruction Dependence for VLA Corpus Selection ／ Nurmukhambet Serikbayev, Abdul Basit, Muhammad Shafique
日本語で読む → - 論文VLA/強化学習ロボティクス
AtomicRL: 原子的タスク構造を活用した長期的ロボット操作のための強化学習
長期的なロボット操作タスクを原子的サブタスクに分解し、意味認識ゲーティングとボトルネック適応探索でVLAポリシーを強化学習により改善するフレームワークを提案した。
原題: AtomicRL: Atomic Reinforcement Learning for Long-Horizon Robotic Manipulation ／ Likui Zhang, Zhe Zhu, Zhihao Zhan 他
日本語で読む → - 論文VLA画像認識
GeoMem-VLA：3Dシーン理解を時系列メモリに内在化する視覚言語行動モデル
凍結した幾何基盤モデルの監督で学習する幾何トークンを時系列メモリとして保持し、推論時に3D再構成なしで行動生成できるVLAフレームワークを提案した論文。
原題: GeoMem-VLA: Internalizing 3D Scene Understanding into Temporal Memory for Vision-Language-Action Models ／ Qinfan Zhang, Yifan Luo, Haoyuan Shi 他
日本語で読む → - 論文VLAロボティクス
奥行きに基づく状態表現を学習するDepState-JEPA：視覚認識とマニピュレーション
RGBと深度の二重ストリームで共有潜在状態DepStateを学習し、行動条件付き予測と操作タスクの性能を向上させるJEPA型フレームワークを提案。
原題: DepState-JEPA: Learning Depth-Grounded State Representation for Visual Perception and Manipulation ／ Xiujian Liang, Liuyuan Na, Zehao Du 他
日本語で読む → - 論文VLA画像認識
行動誘導型超低ビット量子化：VLAモデルのオンボード展開に向けて
視覚言語行動モデルの重みを、行動感度と復元コストを指標に行列ごとにビット幅配分して超低ビット量子化し、LIBEROで高成功率を保ちつつ大幅な圧縮を実現した研究。
原題: AGQ: Action-Guided Ultra-Low-Bit Quantization for Vision-Language-Action Models ／ Xuhong Qiu, Zhuoyu Wu, Qiawei Zheng 他
日本語で読む → - 論文VLAロボティクス
SimPT: 介入ベースVLAポストトレーニングのための自動シミュレーションフレームワーク
シミュレータ上でVLAポリシーの介入型ポストトレーニングを自動化する枠組みを提案し、進捗グラフによる効率的な回復軌道生成とRECAP改良手法で成功率を向上させた。
原題: SimPT: An Automated Simulation Framework for Intervention-Based VLA Post-Training ／ Caicheng Wang, Zipeng Ye, Zhexuan Zhou 他
日本語で読む → - 論文VLAロボティクス
身体性を持つ視覚言語モデルの社会的推論能力を評価
ロボット向けに特化した視覚言語モデルGemini Robotics-ERが、人間との社会的相互作用をどの程度理解できるかをSHRECベンチマークで汎用モデルと比較評価した。
原題: Evaluating Social Reasoning in Embodied Vision-Language Models ／ Daniel Weiner, Raj Korpan
日本語で読む →