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。
Translating language into humanoid motion requires coordinating body parts, determining motion duration, and producing references suitable for robot execution. We introduce PartiGen, a part-aware latent diffusion framework that incorporates anatomical structure into a shared whole-body motion representation.
End-to-end planning in complex scenes must model diverse driving intentions and select the most appropriate trajectory using scene context and future risks. However, multi-query regression may collapse to one mode, while anchor-based and generative planners share a scaling bottleneck: small candidate sets limit maneuver coverage or discovery of high-quality trajectories, whereas large sets increase generation and scoring costs.
Robot policies often convert sensing and control into fixed-rate observation-action sequences, leaving physical time implicit in sequence position. This assumption breaks when observation rates or delays vary, or when inference latency changes.
A user who brings a generalist manipulation policy into their home or office wants it to pick up their objects from their shelves, counters, and tables. Yet even a strong generalist like $π_{0.5}$ achieves 0% pickup success in our captured deployment scenes without adaptation, and collecting real demonstrations in every user's environment is prohibitively expensive.
Nearly every autonomous or semi-autonomous flipper controller assumes access to an elevation map of the terrain under and in front of the robot. The terrain beneath the chassis is occluded in the sensors, so the map is remembered through odometry integration, whose drift corrupts it.
Autonomous landing of unmanned aerial vehicle (UAV) on unmanned surface vehicle (USV) is difficult in high sea states. Existing hierarchical landing methods often infer future USV motion only implicitly from short observation histories, which limits their ability to adapt to severe and rapidly changing sea conditions.
Humanoid tennis requires reactive whole-body coordination under rapidly changing ball dynamics, yet collecting task-specific motion-capture demonstrations that cover diverse approach states, contact locations, and timing conditions is costly. Inspired by how humans acquire new skills by combining reusable motor experience with task-specific demonstrations, we present ATHLETE, a framework for learning reactive humanoid tennis from generic locomotion data and ordinary tennis videos.
Generating edge case scenarios is crucial for training, testing and safety assuring autonomous systems. This identifies hazardous failures to increase system reliability and robustness, ensures the system can still function safely on the boundaries of its operational design domain and learns the expected system behaviour for these edge cases.
Scaling generalist robotic policies is limited by the high cost of collecting embodied interaction data. Large-scale egocentric human videos offer a rich alternative, but they lack robot action labels, and existing action annotation methods are often noisy under real-world visual complexity and diverse manipulation dynamics.
World Action Models (WAMs) inherit powerful priors from pretrained video generation models, but their variational autoencoder (VAE) representations are optimized for visual reconstruction rather than manipulation. External visual representations can improve manipulation, but existing methods couple representation choices with different integration mechanisms, obscuring their individual effects.
SafeStreamingFlowは、フローマッチングに基づく生成プランナーであり、サンプリング時刻と実行時刻を一致させて1ステップ先の状態を逐次生成する。階層型状態予測器と離散時間高次CBFによる安全フィルタを組み合わせ、ナビゲーション、自動運転レース、ロコモーション、倉庫ナビゲーションの4環境で計画遅延と実行時安全違反を低減し、目標到達成功率は既存の安全な生成プランナーと同等以上を維持した。本論文はプレプリントである。
本論文はプレプリントである。著者らは、エンパワーメントをサンプリングベースMPCの目的関数として定式化し、プロービングと実行の行動分布を単一化する手法を提案した。ホッパーの転倒自己復帰に成功し、振り子系のスイングアップではスパースなタスクコスト単独では失敗する状況で、エンパワーメントとタスクコストの併用により成功率が大幅に改善した（例：単振子CEMで59%から100%）。
本稿は査読前プレプリントである。NAVA-WAMは、観測のみの動画から将来映像フローマッチングの教師を通じてAction-DiTを直接事前学習し、その後に行動ラベル付きデモでロボット制御へ適応させる世界行動モデルである。シミュレーションではLIBERO 99.0%、LIBERO-Plus 83.5%、RoboTwin 2.0のClean 88.5%とRandom 73.6%を達成し、実機Franka FR3では93.3%の成功率でDreamZero-DROIDの66.7%やπ0.5の53.3%を上回った。
本論文はarXiv上のプレプリントである。SimpleTouchは、事前学習済みVLAモデルπ0.5に触覚エキスパートを追加し、タスク固有のデモンストレーションのみで接触リッチ操作を学習する手法である。UniVTACの6タスクで平均77.5%を達成し、触覚ポリシー事前学習済みのFTP-1を10.8ポイント上回り、実機4タスクでも平均71.3%でFTP-1を8.8ポイント上回った。
本論文はプレプリントであり、査読済みの学会や論文誌への採録は明記されていない。DR-IPCはLiDARベースのクアッドロータ向けに、A*の経路誘導と非線形モデル予測制御を統合し、角速度と推力を直接生成する手法である。相互接続した拡張カルマンフィルタと非線形外乱オブザーバが状態推定と外乱再構成を担い、GazeboとMARSIMのシミュレーションおよび屋内屋外実験で外乱下の航法性能を確認した。マルチゴール航法ではGazeboでのミッション完了数を10回中1回から10回中9回に改善し、実験では高度RMSEを0.34mから0.01mに低減した。
RoboBridgeは、シミュレーションで獲得した実行可能なタスク手続きスキルを実機へ移行し、実環境のフィードバックで継続的に改訂する自己進化エージェントフレームワークである。LIBERO-PROでは全体成功率74.4%を達成し、既存のHarness VLAの72.1%を上回り、実機3タスクではシミュレーション由来スキルの直接移行後に実機進化で最大15/15まで改善した。本論文はarXivプレプリントであり、査読済みではない。
arXivプレプリントである。UniIntervene++はオンライン強化学習中に自律実行と軌道修正およびCodePolicyの間で制御を割り当てる介入エージェントを学習する。5つの実世界操作タスクで平均成功率89.67%、人手介入率0.77%を達成し、最良ベースラインより成功率6ポイント高く、人手介入を相対94.6%削減した。
SceneFactory-3Dは、タイヤ接地力と3D地形を明示的に計算するGPUバッチ処理型のマルチエージェント運転シミュレータである。同一シナリオと制御器のまま21種類の路面条件を並列比較し、摩擦低下で安全通過率が学習政策で最大90ポイント、古典プランナで最大19ポイント低下することを示した。路面物理の閉ループ影響を大規模に評価できる点で自動運転安全性評価に有用であり、本論文は査読前プレプリントである。
本論文はarXivプレプリントである。OmniAct3Dは視覚基礎モデルを使った3D検出器を等距離円筒投影（ERP）の360度画像に適応させる枠組みである。SpheriverseではNDS 0.1825で従来最良を2.96ポイント上回り、PanoMMOccではmAP 0.5897を達成した。物体ごとの3D推論を異なるセンサ構成間で移行してもmAPの95～98%を維持できる点が重要である。
HexVIOはBasaltベースのステレオ慣性オドメトリのフロントエンドをSnapdragon 8 Gen 2搭載のHexagon DSPにオフロードするシステムである。市販スマートフォン上でCPU実行比67%の消費電力削減、または同一電力で86%のスループット向上を実現し、30fpsのリアルタイム追跡を0.83Wで維持して約18時間動作できることを示した。本論文は査読を受けていないプレプリントである。
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。