ロボティクスとフィジカルAIの最新論文と、それぞれが産業にもたらす意味。
本論文はプレプリントであり、査読済みではない。270 gの連続回転脚4脚ロボットMiNI-Qに、単一の姿勢条件付き強化学習ポリシーをオンボードで実行させ、直立歩行、倒立歩行、着地後の歩行再開を状態機械なしで統合した。ハードウェア試験では前方速度追従RMSEが直立0.037 m/s、倒立0.050 m/s、リリース回復は30試行中24回成功、未学習の足形状を含む全16通りの組み合わせで歩行した。
本論文はプレプリントであり、査読済みではない。異種ロボットプラットフォーム間の全天球セマンティックセグメンテーションを対象とする新タスクを定義し、Vehicle、Drone、Wearable、Quadrupedの4プラットフォームを含むEmbPASSベンチマークを構築した。提案するEPONetはRAMAとCASTを統合し、EmbPASSで平均35.82% mIoUを達成し、最強ベースラインを1.10ポイント上回った。
WINGは、人間の自己中心視点動画からロボット操作に転移可能な相互作用知識を抽出する枠組みである。観測者運動と手と物体の相互作用を分離する潜在行動学習と、低周波スペクトルガイダンスを導入し、シミュレーションのLIBEROで平均99.20%、RoboTwin 2.0で93.80%、RoboCasa–GR1で57.7%の成功率を達成した。本論文は査読前のプレプリントである。
VIGORは、TD-MPC2を基盤に、非対称な弱から強へのデータ拡張、ダイナミクスレベルの一貫性損失、エンコーダ安定化を組み合わせたモデルベース強化学習フレームワークである。DeepMind Control SuiteとRobosuiteのゼロショット視覚汎化評価で、既存のモデルフリー手法とモデルベース手法を上回り、二番手のSRMと比べて平均エピソード報酬でDMCは3.4%、Robosuiteは43.6%高い結果を報告した。本論文はプレプリントであり、査読済みではない。
MobiAgentは、長距離移動操作向けに内部ループと外部ループを組み合わせたエージェントフレームワークである。本プレプリントでは、BEHAVIOR-1Kでπ0.5-TAを22.5ポイント上回る平均成功率65.0%を記録し、実機Astribot S1でも自己改善により平均成功率が32.5%から57.5%に向上した。スキルの再利用と視覚検証に基づく再計画が、移動操作の長期タスク自動化に有効であることを示した。
本稿はプレプリントである。研究チームは武術家の動画197本からKungfuAthleteデータセットを構築し、物理補正と低運動エネルギーサンプリングを備えたKungfuAthleteBotを開発した。実機Unitree G1で約0.7秒の転倒復帰と追従を単一ポリシーで達成し、動画データの修復と補償が高動的スキル獲得を可能にすると報告した。
本研究は新規視点合成（NVS）を自己教師あり幾何表現学習に用いるSNAPを提案したプレプリントである。SNAPは凍結DINOv3特徴を入力とし、デコーダの受容野を1×1に制限し、RGBではなく潜在特徴を予測することで、エンコーダに幾何構造を押し込む。5つの下流タスク（点対応、視覚的局在化、相対姿勢推定、相対深度推定、ロボット操作）で自己教師あり手法を上回り、幾何学教師ありVGGTに匹敵する結果を示した。
本論文はプレプリントである。PointWAMはシーン点群と手のキーポイントを共通の時空間座標で3D点軌跡として同時予測する世界行動モデルである。人間動画による事前学習でDexJoCo平均成功率が56.9ポイント向上し、シーン軌跡の教師信号が10.9ポイントの追加効果を示し、GR00T N1.6を11.7ポイント上回り、実機でも最大25ポイントの差をつけた。
I2CDは、事前学習済みの画像条件付き3D生成モデルHunyuan3D-2を凍結し、軽量なクロスアテンションヘッドのみを学習することで、単一RGB画像から凸多面体の集合を直接予測する手法である。227個のOmniObject3DおよびGoogle Scanned Objectsオブジェクトで、8つの再構成・分解パイプライン中最高の体積IoUを達成し、エンドツーエンドで6〜37倍高速だった。現時点ではプレプリントであり、査読済みではない。物理エンジン4種にそのまま読み込まれ、実機xArm7でのピックアンドプレースではプランナー準備時間を328秒から11秒に短縮した。
AVL-JEPAは、JEPA世界モデルが視覚情報を保持しながら行動の物理的帰結情報を失う「因果ダイナミクス情報崩壊」を防ぐ手法である。TwoRoom、PushT、OGBench Cube、Reacherの4タスクで評価し、ガウスノイズ下のPushTで成功率が15.3%から81.5%へ、TwoRoomで65.7%から88.7%へ向上した。プレプリントであり、査読済みではない。
本論文はプレプリントである。被験者固有の筋骨格モデル6体を用いた予測シミュレーションで、股関節・膝・足首の単独および複合支援を25 Nmと50 Nmのトルク上限で比較した。50 Nmでは3関節支援が最大の平均COT削減48.50±4.55%を示し、2関節では股関節＋足首支援が44.60±7.08%と大部分の効果を回復した。この結果はアクチュエータ数を抑えた支援設計の指針となる。
本研究は、視覚と触覚を球面表現に統合したワークスペース等変拡散ポリシーVISTAを提案した。8つのシミュレーションタスクで50デモのみから平均80.9%の成功率を達成し、最強ベースラインであるEquiDiff+Tacを15.9ポイント上回った。本論文はプレプリントである。
本プレプリントは、Soft Actor-Critic（SAC）で訓練したカテーテルとガイドワイヤの自律操作により、右内頸静脈から上矢状静脈洞まで到達する脳静脈系アクセスを、シミュレーションと透視下の3Dプリントファントムで初めて実証した。シミュレーションでは解剖学的に未知のホールドアウトモデルでタスクAが42.0%、タスクBが91.6%の成功率であり、実機20回中14回（70%）が成功した。この成果は開頭を回避する血管内BCIの植込み手技を標準化する可能性を示すが、解剖学的汎化とsim-to-real較正が臨床応用前の主要課題として残った。
英Loughborough大学などの研究チームは、生涯強化学習向けにオンラインのタスク類似度から過去のポリシーマスクを選び重み付けして再利用するAMSCを提案した。CT28とMG16でAUC/FWTが0.94/0.94、0.73/0.54を達成し忘却はゼロだった一方、CW10では学習済みの層別重みに劣り、層共通の重み付けには限界が見えた。本論文は査読前のプレプリントである。
本論文は、視覚言語行動モデルの内部表現をスパースオートエンコーダで解析し、敵対的パッチの存在に強く相関する特徴を線形プローブで検知した場合のみ抑制する防御手法を提案した。π0.5とSmolVLAをLIBERO-10の間欠的UADA攻撃で評価し、条件付き介入が成功率を改善する一方、無条件の抑制は清浄時の性能を大きく低下させることを示した。査読済み学会誌への採録は明記されておらず、プレプリントである。
LiteReality-Agentは、RGB-Dスキャンから現実的で関節構造を持ち、シミュレーションに対応した3D室内シーンを再構成するエージェントシステムである。再構成をコーディング問題として定式化し、観察、編集、検証のループでRoom.pyを更新する。10シーンの評価で、GPT-6やFable 5.1を含むベースラインを視覚指標と幾何指標で上回り、コードとスキャンアプリが公開された。本論文はプレプリントである。
SCOUTはフローマッチングの行動事前分布と分解価値関数を組み合わせ、テスト時にStein変分勾配降下で行動候補を高価値領域へ輸送するオフライン多エージェント強化学習フレームワークである。SMACv1では平均報酬16.1、MA-MuJoCoでは平均正規化スコア82.12を達成し、連続・離散のオフラインMARLベンチマークで最高平均性能、オフラインからオンラインへの全構成で改善を示した。本論文はプレプリントである。
本論文は、状態のみの人間デモに含まれるロボット実行不可能な遷移を、ロボット自身の経験から推定して模倣学習に重み付けするEF-GAIfOを提案した。点質量環境での成功率はマルチスピード設定で90.0%、マルチパス設定で100.0%に達し、GAIfOやWGAIfOを上回った。実機のUnitree Go2による物体到達把持タスクでも70～80%の成功率を記録した。本論文はプレプリントである。
本研究は、動的3D世界を一連のSE(3)ポーズ軌道として表現し、トークンごとにノイズレベルを割り当てるフローマッチングで学習するWorld Motion Models（WMM）を提案した。同一ネットワークに対するマスク変更により、未来予測、ロボット方策、MPC、モーション補間、クロスエンボディメント再ターゲティングなどが可能になり、Language TableやTraceGenなど多様な応用で高い性能を報告した。arXivプレプリントであり、査読済みではない。
本論文はプレプリントであり、査読済みではない。イベントカメラの非同期イベント時刻を保持したままリアルタイム動作するステレオ視覚オドメトリ（VO）パイプラインを提案した。WNOA事前分布に基づくGaussian Process回帰の状態をキータイムに限定し、補間により各計測時刻の残差を評価することで状態数を削減した。MVSECとDSECで評価し、DSECの1シーケンスを除きES-PTAMより高精度で、MVSECでは22Hz、DSECでは6Hzで推定した。
論文は arXiv のロボティクス分野から取得しています。当社の要約が未作成の場合は、要旨の冒頭を表示します。