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。
本プレプリントは、VLAモデルの頑健性評価をタスク成功率（TSR）だけでなく、成功軌道の挙動指標（動作時間、ジャーク、グリッパ移動量など）で補完するフレームワークを提案した。LIBERO／LIBERO-Plus上でπ_{0.5}、VLANeXt、OpenVLA-OFTを評価し、カメラ・ロボット初期位置・センサ摂動などによって成功率が同程度でも成功軌道の挙動が大きく変化する事例を報告した。これは、実ロボット展開時の安全性・効率・信頼性を評価する上で重要である。
本研究はプレプリントである。DynaHarness は意味推論と物理実行を共有実行契約で結びつけ、失敗記録から再利用可能な能力を修正する動的物理ハーネスである。LIBERO-Pro で凍結方策の 17.5% に対し新規初期状態 800 件で 75.2% を達成し、同じ能力ライブラリでも動的実行が 74.0% と一段階再計画の 63.9% を上回った。
本研究は事前学習済みのVLAポリシーを再学習なしで保護する実行時安全フィルタを提案した。グリッパ、手首、前腕を5個の楕円体で覆い、リセット時にRGB-Dから推定した危険物楕円体と疎なオプティカルフロー追跡により、移動する危険物との衝突を65.62%から27.27%へ低減し、安全なタスク成功率を29.35%から50.43%に引き上げた。エッジ環境ではバリア計算がp99で2.2ms、π0.5ポリシー呼び出しをiGPUで177.3msに短縮し、実機でも接触回数を減らした。本論文は査読前のプレプリントである。
米ノートルダム大学の研究チームは、視覚言語行動モデル（VLA）の実行時安全フィードバックを永続的なポリシー改善に変換するFailBankを開発した。固定CBF教師による観測のみの収集、成果認識付き選別、蓄積型失敗バンク、ガード付きLoRA更新を組み合わせ、VLA-Arena静的障害物スイートで成功率向上とポリシー起因コスト低減を同時に達成した。本論文はプレプリントである。
Optimus-Rは、視覚言語行動モデル（VLA）のタスク適応をパラメータ更新ではなく明示的なメモリ操作として定式化するフレームワークである。インラインメモリインタフェースで制御に関連するクエリとスキル表現を抽出し、クエリスキルメモリバンクに外部化することで、限られたデモでの効率的なスキル学習と破滅的忘却の緩和を実現した。本論文はプレプリントであり、LIBEROの30%データで平均成功率を16.5ポイント改善したほか、実機20デモで33.3%の成功率を報告している。
VLAモデルは分布内タスクで90%超の成功率を示しても、反事実的な変化では誤った行動を選ぶことがある。著者らはこれを「指示と行動の結びつき（instruction-action binding）」と診断し、同指示・異場面・異行動の対照データで学習するEquivariant Counterfactual Training（ECT）を提案した。プレプリントであり、LIBERO-PROでは位置交換成功率を36%から59%に、CALVINでは5タスク連続完了を58%から76%に、実機UR5eでは未見位置の成功を8%から88%に改善した。
ロボット企業のMagicLabは、行動を選びながら3次元シーンがどう動き、行動後にどうなるべきかを同時に予測する34億パラメーターのロボットモデルMagic-W0をプレプリントで公開した。10月3日の改訂版ではRoboDojo-Simの順位表で平均36.75点の首位に立ったが2位との差は0.48点にとどまり、実機5タスクではPhysical Intelligenceのπ0.5を94.6%対91.8%で上回った。
GroundingPIは、点とボックスを量子化座標として出力する4Bパラメータの視覚グラウンディング基盤モデルである。34件のグラウンディングベンチマークで平均73.68%を達成し、より大規模なGPT-6 Astraの71.54%を上回った。ロボット操作と自動運転の下流タスクで既存バックボーンを上回る転移性能を示し、物理的知能のための知覚基盤として有望である。本論文はarXivのみで公開されたプレプリントである。
本研究は、多関節空中マニピュレータ向けに、合成データで学習した局所全身VLA行動をシーン規模ミッションに合成するフレームワークを提案した。主要な結果として、シミュレーションでのマルチサイト任務成功率42.0%、500ms遅延下でのMPARによるテイクオーバー位相誤差の中央値0.212秒削減、実機での多関節UAM検証を報告した。本論文は査読済み採録が明記されていないプレプリントである。
PrefPIは、事前学習済み生成ロボット方策を、自己生成軌跡に対する相対選好のみで初期方策の有効サポート外へ誘導する反復フレームワークである。実機では150件の選好ラベル付き軌跡で物体搬送高さを10.7cmから19.8cmに高め、成功率90%以上を維持した。本論文は査読前の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。
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。
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。
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.
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.
arXivプレプリント。本研究は、ロボットの摩耗や可搬重量などに起因する実行誤差でVLAポリシーが失敗する問題に対し、命令と実行運動の残差を自己教師信号としてポリシーを展開時に適応させる自己補償型VLAを提案した。RoboStressという関節レベル誤差モデルを組み合わせたシミュレーションベンチマークで評価し、π0.5では平均成功率が49.1%から56.6%に、実機2台では各アームで30ポイント以上向上した。未見物体でも効果が確認された。
Diffusion and flow-matching Vision-Language-Action (VLA) policies generate action chunks through iterative denoising, incurring substantial inference latency that severely limits real-time robotic control. Existing acceleration methods treat an action chunk as a monolithic computational unit, ignoring a crucial physical reality of receding-horizon control: actions are generated jointly but consumed sequentially, resulting in inherently heterogeneous execution urgencies.
Simulated manipulation benchmarks are the standard tool for evaluating vision-language-action (VLA) policies and the acceleration methods that reduce their inference latency for on-robot deployment. On these benchmarks, we observe that some training-free acceleration methods, which approximate the baseline policy's computation, achieve higher measured success rates than the baseline itself.
Vision-language-action (VLA) models typically operate on RGB images produced by a fixed camera image signal processor (ISP), leaving the imaging pipeline outside the learning and evaluation loop. We systematically examine the consequences of this overlooked design choice across five fundamental ISP dimensions: gain, sensor noise, chromatic response, tonal response, and bit depth.
General-purpose physical AI models must combine broad visual and linguistic capabilities with precise control across robot embodiments and efficient adaptation to downstream tasks. We introduce Rho, a family of open-weights VLA models for bimanual manipulation designed for data-light task adaptation on 3 embodiments representative of dual-arm robots across research labs and the industry -- YAM Box, UR AI Trainer, and FR3 Duo.
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。