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。
ミシガン大学の研究チームは、廊下を対向で行き交う人とロボットのすれ違い場面を対象に、意図伝達（legibility）の表現方法と人間の注意散漫の影響を2つの被験者実験（各45名）で検証した。通過側を動的に選ぶDPLやSocial Momentumは、非legibleなベースラインや目的地ベースの方法に比べ、人間の平均加速度を低減し、能力評価が高かった。注意散漫下でもSMは人間の加速度低減効果を維持したが、主観評価では差が出なかった。本論文はプレプリントである。
前方ソナーとカメラを共有ベイズ占有格子地図に融合し、不確実な領域の探索と物体候補の活用を両立する次善視点選択を行う水中ごみのアクティブマッピング手法を提案した。MARUSシミュレータ上で、固定の芝刈りパターンより全11物体を走行27 mで発見し、単独センサより約2倍高速に全物体を発見した。本論文はプレプリントである。
NavHarnessは、視覚言語ナビゲーション（VLN）向けのエージェントフレームワークであり、適応的な局所ゴール生成とゴール特有の完了検証、検証済み進捗に基づくマルチモーダル記憶圧縮を組み合わせた。シミュレーションのR2R-CEで成功率79.0%、RxR-CEで82.5%を達成し、同一バックボーンのCodex CLIを上回った。実機のUnitree Go2でも成功率83.3%、ナビゲーション誤差1.51mを報告した。本論文はプレプリントである。
ロボットAIモデルは先の動作をひとまとまりで予測するが、そのうち何ステップを実行してから周囲を見直すかは、これまで技術者が固定値で決めることが多かった。清華大学や北京智源人工知能研究院（BAAI）などによる今回のプレプリントは、この値を動作中に自動で選ぶ追加モジュールを示し、Physical IntelligenceとNVIDIAの既存モデルを再学習せずに、シミュレーションと実機の双腕ロボットで成功率を高めた。
本論文はプレプリントである。神経軌道予測器の出力に対して、観測されない制御入力を推定し、既知物理モデルと学習残差を組み合わせたダイナミクスで状態を再計算する後付け補正演算子Markovian Dynamics Enforcer（MaDE）を提案した。シミュレーションでは完全指定系でダイナミクス残差をほぼゼロにし、実車両軌道データでは生予測の既知モデル残差0.1703から0.1714を0.0071から0.0072に低減した一方、平均変位誤差は1.57倍から1.83倍に増加した。動的実行可能性と不等式制約を予測器の再学習なしで改善できる点が重要である。
本プレプリントは、3Dビジオモータポリシーが学習時に見ていない細粒度な行動仕様を言語から実行する問題に取り組み、T3DPと呼ぶ枠組みを提案した。T3DPは指示のトークンと行動セグメントの局所的な対応関係を双方向に学習し、類似仕様を混同しない言語表現を獲得する。シミュレーション3ベンチマークで平均成功率をグローバルアライメント比11.0〜14.2ポイント、実機で47.5%から65.0%へ17.5ポイント改善した。
本論文はarXivで公開されたプレプリントである。Social-WMは自我中心RGB動画から潜在世界モデルを学習し、名目行動と実際に実現可能な行動の乖離を安全信号として計画する。Social-HM3Dで成功率63.77%、人間衝突率21.67%を達成し、既存のNavThinkerと比べて人間衝突を44.6%削減した。Social-MP3Dへのゼロショット転移でも成功率54.15%、人間衝突率23.34%を報告した。
RoboCoachは、世界モデル内で長いタスクを模擬実行し、最初に失敗する部分作業と対応技能専門家を特定して追加実演を要求する枠組みである。このプレプリントでは、2つのシミュレーション環境と2台の実機で評価し、実機では150件の部分作業実演を追加するだけでFrankaの成功率を13.3%から75.0%に、AgileXを40.0%から83.8%に改善したと報告している。さらに、更新した専門家は未学習の4つの構成タスクで平均35.0%の成功率を示し、均一取得の共有方策ベースラインの0%を上回った。
Encoreは、少数の遠隔操作デモを構造化エビデンスに変換し、コーディングエージェントが分析コードを書きながら政策プログラムを反復開発する枠組みである。LIBERO-PROの摂動60セルでK=3が96.3%、K=0が94.9%の封印済み成功率を達成し、実機のバイマニュアル2タスクでは各10試行中9成功した。本論文はプレプリントであり、デモがエージェントの探索を加速し戦略を伝達することを示した。
In this preprint, the authors build an onboard perception pipeline that lets a lightweight Explorer robot find minerals in underground mines from free-text prompts and hand compact, oriented 3D inspection targets to a heavier Inspector robot. Field tests in a test mine and an active magnesite mine detected two mineral types without retraining and condensed about 38,000 raw mineral points into a few dozen polygons, roughly two orders of magnitude smaller. This matters because autonomous mining inspection requires no mine-specific labels and low-bandwidth robot-to-robot handover.
A slow VLM planner (7–9 Hz) and a fast visuomotor policy (200 Hz) control a full humanoid upper body from language.
A video world model trained on robot egocentric footage predicts outcomes of actions for evaluation and planning.
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。