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: 2026/10/19 ／ 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
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画像認識
密に考え、疎かに行動する：VLA自動運転のための潜在エキスパート認知チェーン
視覚・意味・幾何情報を潜在空間に密に取り込むため、VLAモデル内に段階的な潜在エキスパート認知チェーンを組み込んだLECDriveを提案。基礎視覚モデルの知識を蒸留しつつ効率的な推論を実現する。
原題: Think Densely, Act Sparsely: Latent Expert Cognitive Chains for Vision-Language-Action Autonomous Driving ／ Jie Wang, Guang Li, Zhijian Huang 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
SteerAct: 少数試行の時間的ステアリングで行動モデルを解き放つ
事前学習済みロボット行動モデルの活性化を、少数の成功・失敗ロールアウトから選んだ特徴量の時間記述子に基づいてオンラインで調整し、重み更新なしでタスク成功率を約10%向上させるフレームワーク。
原題: SteerAct: Unlocking Action Models through Few-Shot Temporal Steering ／ Kaichen Zhou, Zhiyan Li, Chongkai Gao 他
日本語で読む → - 論文VLAAI
VLA-Rolling: 行動テール再利用で高速・高精度化するVLA推論
フローマッチング型VLAの未実行行動テールを再利用し、信頼度に応じた再ノイズ化とデノイズ予算配分で推論を高速化・高精度化する軽量フレームワークを提案。
原題: VLA-Rolling: Fewer Denoising Steps, Better Control via Adaptive Action Reuse ／ Sicheng He, Yi Pan, Qiuting Yu 他
日本語で読む → - 論文VLAロボティクス
ロボティクスにも「苦い教訓」がやってくる
最先端のマルチモーダル言語モデル7種を実機ロボットアームの6つの操作タスクで比較評価し、直接制御は可能だが精度・効率は未熟で、性能が約44.5日で倍増する急速な改善傾向を示した。
原題: The Bitter Lesson Comes to Robotics ／ Christopher Leet, Achyutha Menon, Sravanthi Machcha 他
日本語で読む → - 論文VLAロボティクス
推論より構造：小型視覚言語モデルによる統合ゼロショットナビゲーション
小型VLMの方向判断・停止判断を行動ではなく証拠として扱い、鳥瞰マップ上の意味場とスケルトングラフで経路を構築するゼロショット視覚言語ナビゲーション手法を提案し、四足歩行ロボットで実機検証した。
原題: Structure over Reasoning: Unified Zero-Shot Navigation with a Small Vision-Language Model ／ Zeqi Li, Xunyi Zhao, Zerui Li 他
日本語で読む → - 論文VLAロボティクス
AeroDASH: ビジョン・言語・行動によるUAV連続飛行のための非同期制御
VLAポリシーの推論遅延による軌道ずれを解消するため、Bスプライン軌道融合と実行考慮型GRPOを組み合わせた非同期VLAフレームワークを提案し、UAVの言語条件付き連続飛行を実現した。
原題: AeroDASH: Asynchronous Vision-Language-Action Control for Continuous UAV Flight ／ Zhe Liu, Yuxuan Zheng, Jinzhe Qin 他
日本語で読む → - 論文水中ロボット/VLAロボティクス
AQUAACT：水中ロボット遠隔操作データセットと閉ループベンチマーク
パイロットのカメラ映像とジョイスティック操作を記録した、言語注釈付き水中ロボットデータセットを公開し、模倣学習やVLAモデルの閉ループ評価ベンチマークを構築した。
原題: AQUAACT: A Joystick-Level Underwater Teleoperation Dataset and Closed-Loop Benchmark ／ Zhenqi Wu, Trung Tien Dong, Aditya Penumarti 他
日本語で読む → - 論文VLAロボティクス
SocialCoAct：VLM搭載ヒューマノイドロボットのための一人称視点ソーシャル協調行動の実現とベンチマーク
一人称視点の観察と対話履歴から発話と行動系列を生成し発話区間と行動を対応付けて実機ヒューマノイドで実行するVLMエージェントと、多人数対話記録に基づく評価ベンチマークを提案した論文。
原題: SocialCoAct: Enabling and Benchmarking Egocentric Social Co-Action for VLM-Based Humanoid Robots ／ Jiancong Ma, Kun Li, Jin Jiang 他
日本語で読む → - 論文VLAロボティクス
凍結VLAポリシーへの検索トリガー型行動投影補正：実証研究と失敗分析
凍結したOpenVLAに外部メモリで検索した補正を加えるRTPCをCALVINで評価したが、効果は再現されず失敗要因を分析した研究。
原題: Retrieval-triggered Action Projection Adjustment for Frozen VLA Policies: An Empirical Study and Failure Analysis ／ Jinming Wang, Ruiheng Zhang, Yong Wang 他
日本語で読む → - 論文VLAロボティクス
関係的空間アライメントによる視覚-言語-行動モデルの強化
VLAモデルに3D空間認識を注入する際、点ごとの一致ではなくペア関係のアライメントを行うことで表現のランク崩壊を防ぎ、操作タスクの空間理解を向上させた研究。
原題: Relational Spatial Alignment for Vision-Language-Action Models ／ Chaoran Zhu, Hengyi Wang, Chenglin Cui 他
日本語で読む → - 論文VLAロボティクス
EndoVLA-OOV：ロボット内視鏡における言語条件付き視野外ターゲット獲得
上部消化管内視鏡の再訪作業のため、言語指示と過去・現在の画像から視野外の対象へカメラを誘導するVLAポリシーを提案し、実機で93.3%の獲得成功率を達成した。
原題: EndoVLA-OOV: Language-Conditioned Out-of-View Target Acquisition in Robotic Endoscopy ／ Chi Kit Ng, Yidong Zhang, Tianchun Wu 他
日本語で読む → - 論文VLAロボティクス
生涯ロボット学習のための疎なアダプタ割当・再利用・統合手法SARAM
新タスクごとに疎な層だけにアダプタを追加し既存の凍結アダプタを再利用、展開時はタスク署名で更新をバックボーンに統合することで、記憶容量と推論コストをタスク数に依存させずに生涯学習を実現した。
原題: SARAM: Sparse Adapter Allocation with Reuse and Merging for Lifelong Robot Learning ／ SeongJun Jeong, Chungwoo Lee, Gi-Cheon Kang 他
日本語で読む → - 論文VLA画像認識
シーン適応型VLA：動的レイヤールーティングによる効率的な自動運転
リアルタイムのシーン複雑度に応じてVLAモデルの活性パラメータ量を動的に調整するレイヤールーティング手法を提案し、計算コストを削減しつつ自動運転性能を維持できることを示した論文。
原題: Scene-Adaptive VLA: Efficient Autonomous Driving via Dynamic Layer Routing ／ Yujia Yang, Quan Yuan, Jiawei Fan 他
日本語で読む → - 論文VLAロボティクス
GazeAct: 人間の視線注釈付き操作データセットと注意正則化ポリシー
ロボット操作のための視線注釈付き実機データセットを構築し、訓練時のみ視線を教師信号として視覚注意を正則化することで、推論時に視線なしで成功率を向上させる手法を提案した。
原題: GazeAct: A Human-Gaze-Annotated Manipulation Dataset for Attention-Regularized Policies ／ Anupam Pani, Wang Yuan, Qifan Wang 他
日本語で読む → - 論文VLAロボティクス
両腕ロボット操作のためのグローバル・ローカル表現アライメントと空間物理グラウンディング
関節空間で動作を直接回帰するVLAモデルに対し、順運動学を用いた物理的損失とDINOv3・Grounding DINO由来のクエリ蒸留を組み合わせ、両腕の長期的操作タスクの精度を向上させた研究。
原題: GRASP: Global-Local Representation Alignment and Spatial-Physical Grounding for Bimanual Robotic Manipulation ／ Zeyuan Ren, Guanxun Zhao, Qi Li 他
日本語で読む → - 論文VLAロボティクス
HexaShell：VLMエージェントをロボットコーディングエージェントとして活用する薄型ハーネス
VLMベースのコーディングエージェントがロボットを操作する際の限界を探るため、薄いハーネスでコマンドをロボット動作に変換し、失敗ログからツールをコードとして修正・蓄積するシステムを構築。RoboDojoの42タスクで成功率39.7%を達成しSOTAを更新したが、限界は推論ではなく接触にあると示した。
原題: HexaShell: A Thin Harness for Exploring the Limits of VLM Agents as Robot Coding Agents ／ Hongcheng Gao, Alex Zhou, Jay Zhu 他
日本語で読む → - 論文VLAロボティクス
F-LIVO：LiDAR・慣性・視覚オドメトリのための特徴量レベル幾何計測フレームワーク
視覚点とLiDAR平面を特徴量レベルの点-平面拘束で結びつけ、密な光度属性を地図に保持せずコンパクトな地図で動作するフィルタ型LIVOを提案。劣化条件下でも低ドリフトで推定を維持し、CPU使用率とメモリも抑える。
原題: F-LIVO: A Feature-Level Geometric Measurement Framework for LiDAR-Inertial-Visual Odometry ／ Xinye Dai, Yapeng Wang, Shujie Zhou 他
日本語で読む → - 論文VLA画像認識
EKT-Router: 実世界視覚言語モデルのための専門家と証拠の統合ルーティング
限られた観測から質問に答える実世界視覚言語モデル向けに、能力専門家・知識・知覚ツールを呼び出し予算内で同時選択するルーティング手法を提案し、6つの実世界QAベンチマークで最高性能を達成した。
原題: EKT-Router: Expert-Evidence Alignment for Embodied Vision-Language Models ／ Weilin Ruan, Yingjie Xu, Yangkai Wei 他
日本語で読む → - 論文VLAロボティクス
SimpleVLN：シンプルかつ最先端の視覚言語ナビゲーション
MLLMをそのまま活かす設計で、履歴管理・データ構築・段階的最適化を工夫し、視覚言語ナビゲーションで高い成功率を達成した研究。
原題: SimpleVLN: Towards Simple and Frontier Vision-Language Navigation ／ Lingyi Hong, Weiren Cai, Jiayu Chen 他
日本語で読む → - 論文VLAロボティクス
モデルからポリシーへの定式化による身体性基盤モデルの統一
VLAモデルと世界行動モデルを確率カーネルに基づく共通の枠組みで捉え、事前学習からポリシー展開までを統一的に記述する定式化を提案した論文。
原題: Unifying Embodied Foundation Models via a Model-to-Policy Formulation ／ Xinyi Hong, Mingyang Ren
日本語で読む → - 論文VLAロボティクス
スライディングウィンドウから自己進化する生涯記憶へ：長期的ロボティクスVLAモデルの記憶パラダイムに関する二視点サーベイ
長期的タスクに取り組むVLAモデルの記憶機構を、記憶の範囲と持続性に基づいて5つのパラダイムと1つの新興領域に分類し、代表的手法の特性・複雑さ・オープンソース成熟度を比較したサーベイ。
原題: From Sliding Windows to Self-evolving Lifelong Memory: A Dual-perspective Survey of Memory Paradigms for Long-Horizon Robotics VLA Models ／ Yong Wang, Boyu Shen, Xinwei Zhang 他
日本語で読む → - 論文VLAロボティクス
成功率を超えて：視覚言語行動システムにおける記憶の介入評価
VLAシステムの記憶が実際に意思決定に寄与するかを、事実置換や微小摂動などの介入実験で検証する評価プロトコルIMEPを提案し、記憶の効果と条件を分析した。
原題: Beyond Success Rate: Interventional Evaluation of Memory in Vision-Language-Action Systems ／ Keyuan Luo, Yi Xie, Wanyun Ling 他
日本語で読む → - 論文VLAロボティクス
MambaAct: フローマッチングVLAのための効率的なMambaアクションエキスパート
フローマッチング型VLAモデルのアクションエキスパートをTransformerから軽量なMambaベースに置き換え、推論遅延を大幅に削減しつつ成功率も向上させた研究。
原題: MambaAct: Efficient Mamba Action Experts for Flow-Matching Vision-Language-Action Models ／ Khuyen Pham, Tran Nguyen Le, Edoardo Fazzari 他
日本語で読む → - 論文VLAAI
自己改善型ビデオ・トゥ・アクションモデル
環境との相互作用のみでビデオから行動への変換を自己教師あり学習し、視覚プランに従う行動を段階的に改善する手法Mirrorを提案。
原題: Self-Improving Video-to-Action Models ／ Hyunwoo Ryu, Eric Ming Chen, Max Wilcoxson 他
日本語で読む → - 論文VLAロボティクス
NestedVLA: スキルの統合と生成による視覚-言語-行動モデル
タスクごとに独立学習したスキルを事後統合するため、タスク条件付きハイパーネットワークで行動エキスパートのパラメータを生成し、凍結した基盤VLAと組み合わせる手法を提案。複数ベンチマークでモデルマージ手法を大幅に上回る。
原題: NestedVLA: Learning to Consolidate and Generate Skills for Vision-Language-Action Models ／ Guodong Du, Wanyu Lin
日本語で読む → - 論文VLAロボティクス
閉ループ最適化によるVLAモデルへの視覚タスク誘導攻撃の強化
VLAモデルに対する視覚的攻撃を閉ループで最適化するTRACOを提案し、攻撃軌道上の実状態に合わせて教師信号を再構築することでタスク誘導の成功率を向上させた。
原題: Enhancing Visual Task-Redirection Attacks on Vision-Language-Action Models via Closed-Loop Optimization ／ Chunjin Ye, Guanying Chen, Jianjie Huang 他
日本語で読む →