Distributed Manipulation上級
膜結合8x8デルタアレイがアクチュエータ間隔以下の物体を操作、DCT方策で実機成功率76%
8x8の3自由度デルタロボット64台の先端を伸縮性膜で結合し、離散接触を連続面に変換した。15mmから90mmまで、アクチュエータ中心間距離43.3mmをまたいで単一面上で操作でき、低次離散コサイン変換係数に作用する方策は実機に適応なしで76%の成功率を示した。本論文は査読前のプレプリントである。
研究
論文
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。
日本語版は未提供のため、英語原文で表示しています。
Aerial manipulation上級
移動式コンプライアントアンカーで吊り荷の受動剛性を成形するケーブル懸架空中マニピュレーション
本プレプリントは、ケーブル懸架空中マニピュレーションの航空機を移動式コンプライアントアンカーとみなし、重力平衡点での受動並進剛性を予測し成形する準静的理論を構築した。各脚ではアンカー剛性とケーブルの横方向幾何剛性が直列に、脚同士は並列に合成され、等方アンカー剛性では仮想弾性ケーブルに等価となる。動的検証フレームワークは定義されたが、数値結果は報告されていない。
Multi-UAV State Estimation上級
機敏な視覚ベース複数UAV飛行に向けた状態推定の再考
本論文はプレプリントである。視覚検出器が与える機体傾斜情報を推力方向の観測として統合し、隣接UAVの速度と加速度を低遅延で推定する手法を提案した。2件の実データセットと1件のフォトリアリスティックシミュレーションデータセットで評価し、位置のみの推定に比べ速度誤差平均40%、加速度誤差平均57%を削減した。閉ループのリーダー・フォロワーシミュレーションでは、提案手法が2gを超える横方向機動の追従を可能にした。
Autonomous Exploration上級
GPU加速のDepth Buffer方式で経路依存限界情報利得を実用化、探索時間を最大30%短縮
本研究は、サンプリングベース自律探索で候補経路の情報利得を評価する際、視点間の観測重複を考慮した経路依存限界情報利得をGPU上でDepth Bufferと深さ順評価により高速計算する手法を開発した。プレプリントである。厳密なボクセルハッシュマップ法と比べ5〜10%の過大評価に収めながら、デスクトップGPUで最大118倍、Jetson Orin NXで最大28倍の高速化を達成した。RH-NBVPとAEPに統合し、シミュレーションの6条件中5条件で95%被覆到達時間を短縮し、実機UAVでも95%到達時間を30%短縮した。
Model-based RL上級
PL-MPCがTD-M(PC)2にMTDとATEとRADを追加、HumanoidBenchの高難度タスクで平均報酬を大幅改善
プレプリントとして公開された本研究では、TD-M(PC)2を基盤に、批評家の学習目標を多段階化するMTD、計画時の終端価値に不確実性ペナルティを加えるATE、実現報酬で重み付けした模倣を行うRADを組み込んだPL-MPCを提案した。HumanoidBenchのbalance-hardでTotal Average Returnが98±18から387±255へ、hurdleで199±13から466±200へ向上し、実機のKUKA IIWA14によるレンチとナットの位置合わせでもTD-M(PC)2を上回る成功率を報告した。
Terrain traversability上級
検証ゲート付き継続学習で四脚ロボットの地形走破性を予測、履歴忘却を23.1%低減
本論文は、四脚ロボットが未踏地形で得た接触指標を、DINOv3の視覚特徴から不確実性付きで予測する継続学習パイプラインを提案したプレプリントである。逐次的な実機データストリームで、履歴検証ゲート付きリプレイはゲートなしリプレイに比べ最終アンカーNLL劣化を23.1%相対低減し、新地形への適応はほぼ同等だった。この手法は、地形の見た目ではなくロボット自身の接触応答に基づく走破性評価を可能にする点で重要である。
Real-time VLA上級
VLA推論を10ステップから2ステップへ、段階依存の非一様Flow Denoisingで61.6msを22.0msに短縮
このプレプリントは、VLAのモデル推論とロボット実行系の遅延を実測し、Flow Matchingの速度場が終端付近で方向補正に集中することを示した。その上で標準の10NFEから2NFEへ削減する2段階非一様デノイジングを提案し、推論時間を61.557msから21.956msに短縮した。双腕Tシャツ折りタスクで6種類のリアルタイム実行手法を比較し、学習ベースではLegato、学習不要ではTemporal Smoothingが最高で、2段階推論を組み合わせると推論コストは大幅に減るが成功率は小幅に低下した。
Safe RL-MPC上級
RL誘導型PAC-NMPCが未知環境の視覚ベース航法で確率的安全を実現
強化学習で訓練したアクタークリティックとセンサ予測モデルをPAC-NMPCに統合し、未知環境での知覚ベース航法に有限時間の確率的衝突回避保証を与える手法を提案した。固定翼機の実機実験では成功率80パーセントを達成し、RL単独方策や地図とA*を用いるPAC-NMPCの40パーセントを上回った。本論文はarXivプレプリントであり、査読済みではない。
Embodied policy上級
EWAM、意味理解から視覚予測、行動生成へ層別に役割分担する統一エンボディードモデル
Yinwang Intelligent Technology の研究チームは、視覚言語、動画、行動の専門家を非対称な注意機構で統合する EWAM を開発した。浅層では意味理解、中層では未来フレーム予測、深層では行動生成という層別の計算分担が自然に生じ、ロボット軌道と人の一人称動画で事前学習したところ RoboTwin の clean-to-random で 72.1%、LIBERO で平均 98.8% を達成し、実機でも既存手法を上回った。本論文は査読前のプレプリントである。
Navigation上級
Comparing Utility of Inertial, Occupancy, Semantic, and Intent Information in Human Motion Prediction During Daily Tasks
Accurate human motion prediction is crucial for robotic systems operating around people, particularly in complex indoor spaces. In this study, we assess the relative importance of different sources of information in indoor motion prediction with a human motion diffusion model.
Perception上級
ProAct-VLM: Pre-Failure Vision-Language Task Replanning with Continuous Perception Feedback
Long-horizon robotic tasks are vulnerable to unexpected environmental changes that can render planned actions ineffective or unsafe. To address this, robots must detect such changes as they occur, interpret their impact, and adjust their actions accordingly.
Manipulation上級
MVG-WAM: Multiple View Geometry-Aware World-Action Modeling for Robotic Manipulation
World-Action Models (WAMs) couple visual dynamics with action prediction, bringing the rich priors of pretrained video models to robotic manipulation. However, their multi-view interfaces typically tile images or concatenate tokens, leaving the geometric relationships among synchronized cameras implicit.
VLA上級
MotorMind: Scaffolding General Vision Language Models for Zero-Shot Robot Manipulation
Vision-language-action (VLA) models have advanced robotic manipulation, but their zero-shot generalization in new tasks and environments remains limited, and their reliance on specialized training keeps them from benefiting directly from rapidly advancing general-purpose vision-language models (VLMs). In parallel, recent agentic robotic systems leverage VLMs for high-level reasoning or coding agents for robot control, but often depend on extensive external models and tools, introducing additional complexity and cost.
Manipulation上級
BlenDAgger: Blended Shared Control for Interactive Imitation Learning
Robot policies are frequently trained from human corrections, yet teleoperating a robot to provide corrections is burdensome, and human demonstrators are not always optimal. We propose Blended DAgger (BlenDAgger), an approach for collecting data to train imitation learning policies by using shared control to blend the policy's and demonstrator's actions during interventions.
Humanoid上級
EgoAlign: Bridging the Human-Humanoid Gap for Long-Range Loco-Manipulation
Egocentric human demonstrations offer an accessible source of task experience, but differences in body scale and controller response, together with missing robot states, limit their value as humanoid training supervision. We present EgoAlign, a data-construction framework that converts these demonstrations into action and state supervision compatible with a general-purpose, continuous whole-body controller, without collecting physical-robot demonstrations.
Learning上級
Rethinking Representations for World-Action Modeling
World-action models jointly learn robot policies and predict future observations, making the representation space an interface between control and prediction. We study the design of this space through controlled comparisons, finding that neither reconstruction fidelity nor pre-trained perceptual features alone ensure effective policy learning.
Navigation上級
Geometry-Preserving Human-to-Robot Upper-Body Motion Retargeting from Monocular Video
Monocular RGB video provides an accessible source of human demonstrations for upper-body robot motion, yet video-driven human-to-robot transfer remains challenging because body and hand motion are recovered at different spatial scales, human and robot kinematics differ substantially, and fine distal motion is difficult to preserve across embodiments. We present a geometry-preserving motion-retargeting framework that integrates unified body--hand reconstruction with morphology-independent geometric transfer.
Robotics上級
Cascaded consensus splitting for multi-branch contingency games
Contingency games enable agents to anticipate and plan for other agents' hypothetical intents by constructing trajectories with a shared prefix and intent-dependent branches. While contingency games capture intent uncertainty, existing formulations rely on a single branching time, oversimplifying interactions in which different agents' intentions are revealed at different times.
VLA上級
WayFinder: Hierarchical Visual-Language-Action for Zero-Shot Waypoint Generation and Low-Level Kinematic Control
Visual Language Action (VLA) models offer unprecedented generalization for autonomous robots; however, their real-world deployment is frequently bottlenecked by unreliable execution and the prohibitive computational cost of fine-tuning for specific robot embodiments and tasks. To bridge this gap, we propose WayFinder, an end-to-end, closed-loop hierarchical VLA framework that circumvents the need for fine-tuning by decoupling high-level task reasoning from low-level kinematic control.
Safety上級
ExceptionDrive: A Planning-Oriented Counterfactual Corner-Case Benchmark for Autonomous Driving
Average performance on routine driving benchmarks does not establish planner reliability under rare, safety-critical hazards. We proposed ExceptionDrive, a counterfactual planning benchmark that uses VLM-assisted screening, localized multi-view editing, and quality auditing to insert hazards into real nuScenes scenes while preserving their context.
テーマ別ページ
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。