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: 2026/10/20 ／ 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
RoboJudge：身体性動画生成のためのマルチモーダル言語モデルによる評価者
身体性動画生成の物理的妥当性と指示整合性を評価するMLLMのベンチマークRoboJudge-Benchを構築し、人間の評価と一致するよう微調整したRoboJudge-9Bを提案した論文。
原題: RoboJudge: Multimodal Language Models as Judges for Embodied Video Generation ／ Siyuan Ma, Yu Qi, Cheng Ye 他
日本語で読む → - 論文VLA画像認識
VLA-Retain：視覚チューニングがVLAに及ぼす次元横断的影響のベンチマーク
視覚モジュールのファインチューニングが対象条件以外のロバスト性に与える影響を、5つのVLAモデルと7つの摂動次元で体系的に評価するベンチマークを提案した。
原題: VLA-Retain: Benchmarking Cross-Dimension Effects of Vision Tuning in VLAs ／ Borui Xu, Han Chen, Bingsheng He 他
日本語で読む → - 論文VLAロボティクス
拡散モデル不要の未来予測によるロボット制御
映像と行動の専門家モデルを1ステップ予測器に蒸留し、予測した未来から行動を直接生成するDirectWAMを提案。LIBEROで97.1%、RoboTwin 2.0で85.4%の成功率を達成した。
原題: De-Diffusing WAMs: Action-Sufficient Direct Prediction for Robot Control ／ Shaoyi Zheng, Zhongtao Jiang, Yue Peng 他
日本語で読む → - 論文VLAロボティクス
汎用マルチモーダルモデルによる直接ロボット制御の実力評価
GPT-6 Astraを軽量エージェント枠組みで閉ループ操作に適用し、深度知覚・文脈学習・触覚活用などの身体能力と5つの操作ベンチマークでの性能を体系的に評価、意味推論と物理実行の乖離を明らかにした論文。
原題: Large Multimodal Models for Direct Robot Control: GPT-6 as a Beginning ／ Youwei Zhou, Bohan Hou, Yankai Fu 他
日本語で読む → - 論文VLAロボティクス
意図した未来へ世界行動モデルを導く段階認識フレームワーク
長期的なマニピュレーションで生じる「段階混同」を防ぐため、モードトークンと状態トークンでタスク要件と実行進捗を表現し、世界行動モデルを意図した未来へ導くTaskWAMを提案した論文。
原題: Plausible Future, Wrong Choice: Steering World-Action Models toward Intended Future ／ Zhuohao Li, Jiawei He, Yuxuan Yan 他
日本語で読む → - 論文VLAロボティクス
推論遅延を意思決定時間に変える投機的アクションチャンク検証VLA
VLAの非同期推論で生じる観測の陳腐化に対処するため、推論開始時の観測から複数候補を生成し、コミット直前の新しい観測でFlowResスコアにより最適なアクションチャンクを選択する学習不要のフレームワークを提案。
原題: PACT-VLA: Speculative Action-Chunk Verification with Pre-Commit Observations ／ Yixiang Zhu, Ruilong Wu, Yonghao Chen 他
日本語で読む → - 論文VLAロボティクス
推論を分布として扱う：視覚言語行動モデルのための生成的プラン潜在表現
VLAモデルの推論状態をプラン上の低次元条件付き分布として表現し、再学習なしにプランのサンプリング・選択・結果による再重み付けを可能にした研究。
原題: Reasoning as a Distribution: Generative Plan Latents for Vision-Language-Action Models ／ Matteo Cercola, Katie Z Luo, Milan Ganai 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 → - 論文自動運転/VLAロボティクス
知覚しているのにブレーキを踏まない：推論型VLA運転モデルにおける知覚-行動バインディングのギャップ
推論強化型VLA運転モデルが危険を認識しながら制動に反映できない「知覚-行動バインディングのギャップ」を分析し、推論時に危険条件付きエネルギーを注入することで衝突を解消できることを示した論文。
原題: Perceives but Doesn't Brake: A Perception-Action Binding Gap in Reasoning Driving VLAs ／ Matteo Cercola, Katie Z Luo, Simone Formentin 他
日本語で読む → - 論文VLAロボティクス
フロンティアLLMがロボティクスへ参入：RoboColiseumによるクロスモデル評価
GPT-6系・Claude Opus 5.5・Gemini 4をロボット制御環境RoboColiseumに統合し、指示追従・空間推論・汎用マニピュレーション・頑健性の4軸で比較評価した。
原題: Frontier LLMs Enter the World of Robotics: A Cross-Model Evaluation on RoboColiseum ／ Da Huang, Jichao Wang, Junhui Wu 他
日本語で読む → - 論文VLAロボティクス
統合世界行動言語モデルによる身体性ロボット制御
動画・行動・言語を単一の共有表現で学習し、言語生成を記憶として再利用する統合モデルUniWALMを提案。外部プランナーなしで記憶依存タスクを改善。
原題: UniWALM: Unified World Action Language Model for Embodied Robot Control ／ Rahul Sajnani, Diego Romeres, Mingyuan Zhang 他
日本語で読む → - 論文VLAロボティクス
FIT-MAC: VLAモデルの堅牢性を高める閉ループ型マルチエージェント制御フレームワーク
VLAポリシーの推論時に、計画・対象特定・検証・修正の各エージェントを組み合わせた閉ループ制御層を追加し、物体位置や指示の変化による失敗を検出して適切に回復させることで堅牢性を向上させた研究。
原題: FIT-MAC: A Closed-Loop Multi-Agent Framework for Robust Vision-Language-Action Models ／ Jiatong Li, Jisheng Dang, Qiangqiang Ma 他
日本語で読む → - 論文VLAロボティクス
パッチ単位の未来潜在変化を学習する行動生成フレームワークPLaCA
現在のマルチモーダル入力からパッチ単位の未来潜在変化を直接予測し、その変化を行動生成に組み込むことで、ロボット操作の成功率と長期タスク遂行能力を向上させた研究。
原題: PLaCA: Learning Patch-Level Future Latent Change for Action Generation ／ Zhan Yi, Yuchen Wang, Chao Li 他
日本語で読む → - 論文VLAロボティクス
GPT-6-Astraは触覚を理解し、視覚-触覚-言語-行動モデルを凌駕する
汎用マルチモーダルモデルGPT-6-Astraに専門家の実演を要約したタスクガイダンスと触覚参照を与え、接触を伴うマニピュレーションをロボット専用の事前学習やタスク別微調整なしで高成功率に達成した研究。
原題: GPT-6-Astra Understands Touch and Outperform Vision--Tactile--Language--Action Models ／ Ziyong Wang, Yupei Lin, Runxuan Huang 他
日本語で読む → - 論文VLAロボティクス
コーディングエージェントの事後学習をロボットプランナに応用するフレームワーク
ロボットプランナを対象に、教師あり微調整とマルチターン強化学習を組み合わせた事後学習フレームワークAgenticRoboRLを提案し、9Bモデルの成功率を18.1%から71.0%へ向上させた。
原題: AgenticRoboRL: Bringing Coding-Agent Post-Training to Agentic Robotics ／ Xinxin Liu, Bingxin Xu, Wenrui Bao 他
日本語で読む → - 論文VLAロボティクス
マルチビュー潜在アクション事前学習による動画からの異形態ロボット学習
複数カメラ視点の同期動画からクロスアテンションで奥行きと遮蔽を解消し潜在アクションを学習する手法を提案し、単一視点より6D行動の復元性と下流タスク成功率が向上することを示した。
原題: Multi-View Latent Action Pretraining for Cross-Embodiment Robot Learning from Videos ／ Oliver Hausdörfer, Felix Minzenmay, Mani Majd 他
日本語で読む → - 論文VLAAI
ゲーム世界で身体性エージェントをスケールする：多様な仮想世界での継続事前学習
多様な仮想世界のデータで身体性エージェントを継続事前学習し、データ量・多様性・モデル規模が性能と汎化に与える影響を体系的に調べた研究。
原題: Scaling in Games: Continued Pre-Training For Embodied Agents In Diverse Virtual Worlds ／ Kuan Zhang, Yukun Chen, Zhihao Yang 他
日本語で読む → - 論文VLAロボティクス
SPAR: VLAモデルの構造的プルーニングと行動回復
VLAモデルのLLMバックボーンを構造的にプルーニングし、強化学習で操作性能を回復させる手法。パラメータを大幅削減しつつ成功率を向上させ、推論を約2倍高速化した。
原題: SPAR: Structural Pruning and Action Recovery for Vision-Language-Action Models ／ Shenli Zheng, Zhou Fang, Yuan Du 他
日本語で読む → - 論文VLAロボティクス
物理語彙でロボット操作の潜在推論を構造化する基盤モデル
動作を表す原子動詞を『物理語』として潜在表現の意味的アンカーに用い、将来の観測と整合する形で自己回帰的に予測することで、ロボット操作の構造化された推論を実現した基盤モデル。
原題: Physical Words: A Vocabulary for Structuring Latent Reasoning in Robot Manipulation ／ Jiaming Liu, Xinghao Zhu, Yiming Zhang 他
日本語で読む → - 論文VLAロボティクス
視覚言語行動モデルの失敗要因を特定する因子分解リスクモデル
VLAモデルが視覚的な破損（corruption）に敏感な点に着目し、どの破損を除去すれば失敗リスクが下がるかを推定する「失敗帰属」問題を定義。シーンと破損を分離表現する因子分解リスクモデルで、対になるクリーン画像や追加ロールアウトなしに除去効果を見積もる手法を提案した。
原題: What Would Removing This Corruption Change? Failure Attribution for Vision-Language-Action Models ／ Carson Sobolewski, Anjali Parashar, Fei Chen 他
日本語で読む → - 論文VLA画像認識
LVMem: 画像拡張メモリによる長期的質問応答
視覚ベースのメモリに画像パスを紐付け、光フローによるフレーム選択と物体中心の記述を導入することで、長期的な時空間質問応答を効率化したフレームワーク。
原題: LVMem: Image-Augmented Memory for Long-Horizon Question Answering ／ Victoria Khoruzhaya, Maksim Kalmykov, Tuong Do Minh 他
日本語で読む → - 論文VLAロボティクス
履歴証拠を再活用する学習不要の視覚言語ナビゲーション
視覚言語ナビゲーションにおいて履歴の冗長性を圧縮しつつ、忘却に着想を得た再指示で保持情報を再活用する学習不要フレームワークを提案し、成功率と計算効率を改善した。
原題: ReInsVLN: Revisiting Historical Evidence for Training-Free Vision-and-Language Navigation ／ Siwei Cheng, Hao Wu, Zitong Qi 他
日本語で読む → - 論文VLAロボティクス
HAF-VLA: ヒューマノイドの視覚-言語-行動制御のための階層的行動フローフレームワーク
事前学習済みフローマッチングVLAを階層的に適応させ、移動・頭・腰・全身操作を段階的に生成することでヒューマノイドの全身移動操作を実現した研究。
原題: HAF-VLA: Hierarchical Action Flow Framework for Humanoid Vision-Language-Action Control ／ Langzhe Gu, Chengkai Hou, Meng Li 他
日本語で読む → - 論文VLAロボティクス
物理的RSI能力はどこから来るのか：LLM-as-policyの観測的スケーリング則
VLMエージェントの物理的再帰的自己改善を5軸指標で評価し、公開ベンチマーク性能から改善の速さと到達度を予測する観測的スケーリング則を導出した研究。
原題: Where is Physical RSI capability from? An Observational Scaling Law of LLM-as-policy ／ Zekai Li, Jiayi Yu, Jinlu Zhang 他
日本語で読む → - 論文VLAロボティクス
ACE-Brain-0.6：身体性基盤モデルのための空間グラウンディングのスケーリング
ロボット操作記録と多様な視覚データを統合したデータパイプラインで約150万件の検証可能なグラウンディング教師信号を作り、Qwen3.5-9Bを微調整して空間知覚を強化したモデル。7つの公開ベンチマーク中4つでGPT-6 Astraを上回った。
原題: ACE-Brain-0.6: Scaling Spatial Grounding for Physical Foundation Models ／ Yinhe Wang, Tao Tao, Zexin He 他
日本語で読む → - 論文VLAロボティクス
農業マニピュレーションのための視覚-言語-行動モデルによるロボット学習
トマト植物を対象に、MuJoCoシミュレーションで収集した実演と実機実演を用いてOctoやπ0.5などの汎用ロボット方策を農業のリーチング・把持タスクへ適応させるsim-to-real学習フレームワークを構築し、視点変化や分布外条件での性能を評価した。
原題: Robot Learning with Vision-Language-Action Models for Agricultural Manipulation ／ Hamid Hafezi, Javad Mohammadpour Velni, Mohammadreza Davoodi
日本語で読む → - 論文VLA画像認識
PICA-WAM: 世界行動モデルにおける外観横断的自己整合による視覚摂動不変性
世界行動モデル(WAM)に摂動不変性を補助タスクとして組み込む自己教師あり学習フレームワークを提案し、視覚的外観変化に対するロバスト性を向上させた。
原題: PICA-WAM: Visual Perturbation Invariance via Cross-Appearance Self-Alignment in World Action Models ／ Yude Zou, Yifei Yao, Guanbo Jiao 他
日本語で読む → - 論文VLAロボティクス
視覚言語行動モデルによるロボット撮影システム
写真撮影の意図理解からカメラ制御までを統合したVLAフレームワークRoboPhoto-VLAを提案し、人間の美的選好に沿った撮影を実現した。
原題: Robotic Photography System based on Vision-Language-Action Model ／ Song-Li Wu, Chubin Zhang, Wenbo Ding 他
日本語で読む → - 論文VLAロボティクス
PaceVLA：視覚言語行動モデルにおける適応的時間行動量子化
VLAモデルの実行効率を高めるため、複数の時間粒度の行動デコーダと、粗い実行が適切かを判断するルータを組み合わせ、精度を保ちつつ高速化する枠組みを提案した論文。
原題: PaceVLA: Adaptive Temporal Action Quantization in Vision-Language-Action Models ／ Hojin Jeon, Jimin Lee, Taekwan Kim 他
日本語で読む → - 論文VLA画像認識
PrismWAM：ワールドアクションモデルにおける状態表現の分離
外観（意味）と物理状態を分離し、意味計画→深度空間での物理ロールアウト→実行可能行動のパイプラインで操作タスクを解くワールドアクションモデルを提案。大規模事前学習なしで高い操作性能を示す。
原題: PrismWAM: Decoupling State Representations in World Action Models ／ Tianyu Xin, Wanqi Zhong, Bowen Hu 他
日本語で読む →