MEKAWIRE
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。

論文84本
テーマすべてマニピュレーション 76VLA 65ナビゲーション 35ロボティクス全般 32ロボット学習 27知覚 22ヒューマノイド 21シミュレーション 15歩行移動 13安全性 11World Action Models 4World-action model 3Aerial 2Aerial manipulation 2Dexterous manipulation 2Sim-to-Real Manipulation 2Social Navigation 2Vision-Language Navigation 23D Assembly 13DGS dataset 15G Simulation 1AMR Operations 1Active vision manipulation 1Adaptive MPC 1Adaptive action horizons 1Adaptive intervention 1Aerial Manipulation 1Aerial navigation 1Agricultural Robotics 1Articulation Estimation 1Autonomous Driving 1Autonomous Exploration 1Battery-aware RL 1Belief-space planning 1Bimanual Manipulation 1Byzantine localization 1Canal inspection 1Co-speech Humanoid 1Compositional Manipulation 1Construction navigation 1Contact-Rich Manipulation 1Contact-rich Manipulation 1Continual reinforcement learning on top of robot foundation models 1Continuum sensing 1Cross-embodiment transfer of humanoid whole-body controllers 1Curriculum RL 1Dexterous Manipulation 1Distributed Manipulation 1Distribution Shift 1Driving Simulation 1Efficient VIO 1Egocentric data 1Egocentric video 1Embodied Agents 1Embodied policy 1Empowerment MPC 1Endoscopic navigation 1Endovascular robotics 1Evaluating robot world models against real executions 1Event-camera VO 1Exoskeletons 1Failure recovery 1Federated 3D Perception 1Fisheye detection 1Floorplan SLAM 1Geometry-aware manipulation 1Grasping 1Grounding 1Humanoid Control 1Humanoid RL 1Humanoid Tool Use 1Humanoid loco-manipulation 1Humanoid safety 1Humanoid whole-body control 1Imitation Learning 1JEPA World Models 1Lab automation 1Laboratory Manipulation 1Latent World Models 1Legged Manipulation 1LiDAR Security 1Lifelong RL 1MAPF 1MAV guidance 1Manipulation LfD 1Manipulation Safety 1Marine simulation 1Memory-centric VLA 1Miniature Locomotion 1Mining Perception 1Mobile manipulation 1Model-based RL 1Monocular SSC 1Motion Planning 1Multi-Agent RL 1Multi-Robot Exploration 1Multi-Robot Manipulation 1Multi-UAV Exploration 1Multi-UAV State Estimation 1Multi-agent RL 1Multi-agent motion planning 1Multi-camera odometry 1Multi-fidelity RL 1Multi-robot manipulation 1Multi-skill Manipulation 1Multi-view perception 1Multimodal simulation 1Navigation & Mapping 1Object Pose Estimation 1Object Search 1Panoramic 3D Detection 1Panoramic segmentation 1Pedestrian tracking 1PersonNav 1Planning 1Policy Optimization 1Preference Learning 1Quadruped locomotion 1Real-time VLA 1Real-to-sim 1Reinforcement learning for industrial assembly 1Representation alignment 1Robot-Use Agents 1Runtime Verification 1Safe Generative Planning 1Safe RL-MPC 1Safe VLA 1Safety monitoring 1Safety-critical control 1Sim-to-real Navigation 1Sim-to-real manipulation 1Simulation geometry 1Skill Discovery 1Social navigation 1Soft Pneumatic Actuators 1Soft manipulation 1Sonar SLAM 1Streaming 3D reconstruction 1Submovement decomposition 1Surgical 1Surgical robotics 1Tactile Exploration 1Tactile VLA 1Temporal manipulation 1Terrain traversability 1Text-to-3D Policy 1Tool Co-Design 1Trajectory Correction 1Traversability 1UAV Navigation 1UAV Swarms 1UAV traffic monitoring 1Underwater Robotics 1Underwater active mapping 1Underwater perception 1Unified world-action model 1VLA Conditioning 1VLA Defense 1VLA Robustness 1VLA evaluation 1VLA manipulation 1VLA robustness 1Video world models 1Visual Generalization 1Visual Grounding 1Visual Reward Models 1Visuomotor Fusion 1Visuotactile manipulation 1World Models 1World models 1World-Action Models 1
難易度指定なし入門中級上級
日本語版は未提供のため、英語原文で表示しています。
技術「VLA(視覚言語行動)モデル」で絞り込み中、解除
arXiv
Multi-Robot Manipulation中級

DuoMindが分散マルチロボット協調を実現、意味通信でVLMとVLAを階層統合

Hanchu Zhou, Dechen Gao, Hang Wang, Brendan Lynch, Boqi Zhao, Qiyao Ma, Raman Goyal, Junshan Zhang

DuoMindは、各ロボットにVLMオーケストレータとVLA行動モデルを搭載し、自然言語による意味通信で分散マルチロボット協調を可能にするフレームワークである。RoboPolyとRoboTwinのシミュレーション評価で、多くのタスクでVLA単独より成功率を向上させた。本論文はarXivプレプリントであり、査読付き会議や論文誌への採録は報告されていない。

VLA
論文全文を読む（PDF）
arXiv
VLA manipulation上級

ChunkVLA-AMが積層造形ロボット向けOpenVLA-OFTをFR3実機に適用、42試行中39成功を報告

Zhugang Liu, Kaichuang Zhang, Jinman Zhang, Pu Sun, Martha Asare, Jose Hernandez, Maxim Ermolinsky, Efren Saenz, Qi Lu, Jinghao Yang

本論文はプレプリントである。積層造形ワークセル内のFAIRINO FR3ロボットにOpenVLA-OFTを適応し、8ステップの並列アクションチャンクで制御するChunkVLA-AMを提案した。実機42回のA-to-B物体移載試験で39回成功し成功率は92.9%となり、軌道予測誤差は平均1.74 mmに低減した。照明輝度85から125の範囲で低誤差を維持し、積層造形の後処理などへ柔軟な自動化の可能性を示した。

VLA
論文全文を読む（PDF）
arXiv
VLA Conditioning中級

EMGと視覚アノテーションによるVLAの連続条件付け、EC-VLAとVA-VLAが乱雑場面で優位に

Edward W. Staley, Connor O. Pyles, Rahul Hingorani, Frank Camargo, Griffin Milsap, Jared Markowitz, Matthew S. Fifer, Michael Wolmetz

ジョンズ・ホプキンス大学応用物理研究所の研究チームは、ロボット操作のVision-Language-Actionモデルに対し、8チャンネルのEMG包絡線を固有受容ベクトルに連結するEC-VLAと、画像にセグメンテーション注釈を加えるVA-VLAを構築した。キューブ選択タスクとRoboCasaのピックアンドプレースで評価し、EC-VLAは整然環境で言語プロンプトのSmolVLAに匹敵し、乱雑環境では成功率が0.30から0.50に向上した。VA-VLAも乱雑環境で完了スコアが0.35から0.51に向上した。これはプレプリントである。

VLA
論文全文を読む（PDF）
arXiv
Unified world-action model上級

UniWAM、VLMと世界モデルと行動予測を統合したロボット基盤モデルを提案

Jiayi Chen, Wenxuan Song, Jingbo Wang, Shuai Zhou, Xicheng Gong, Zehua Fan, Ziyang Zhou, Junwu E, Haodong Yan, Fuhao Li, Qize Yu, Xu Huang, Pengwei Wang, Wen Chen, Shunbo Zhou, Haoang Li

UniWAMは、物理推論を担うVLM、未来映像を生成する世界モデル、行動予測器を単一のMixture-of-Transformersアーキテクチャに統合したロボット基盤モデルである。ロボットデータ約4958時間、人間の一人称データ約5072時間、VQAデータ約8.293M件を事前学習し、LIBERO標準で平均99.2%、LIBERO-Plusで92.6%、RoboTwin 2.0で平均71.73%を達成した。本論文はプレプリントであり、査読済みではない。実機評価では4つの指示追従タスクで成功率67.5%、指示追従率82.5%を報告し、人間とロボットの共訓練に対数線形のスケーリング則を確認した。

VLA
論文全文を読む（PDF）
arXiv
VLA Robustness中級

成功率だけでは不十分、VLAの摂動下成功軌道の挙動変化をLIBEROで定量評価

Sophie Higham, Riccardo Andrea Izzo, Matteo Matteucci, Alessandro Suglia

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。

VLA
論文全文を読む（PDF）
arXiv
Manipulation上級

DynaHarness、動的物理ハーネスで自己進化するロボットエージェントを提案

Haoyuan Deng, Jiebin Liu, Tengxiao Zhang, Langning Yan, Hongye Cao, Ziwei Wang

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。

VLA
論文全文を読む（PDF）
arXiv
Manipulation Safety中級

事前学習済みVLAを移動する危険物から守る複数リンク安全フィルタ、衝突率を65.62%から27.27%に削減

Yatharth Agarwal, Vijay Raghunathan

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。

VLA
論文全文を読む（PDF）
arXiv
Safe VLA上級

FailBank、ランタイム安全フィードバックを自己進化に変換しVLAの成功率と安全性を同時改善

Mingyue Cui, Zheyuan Liu, Yihan Zhu, Zheyuan Zhang, Meng Jiang

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。

VLA
論文全文を読む（PDF）
arXiv
Memory-centric VLA中級

Optimus-R、VLA適応をメモリ中心に再設計し少データ性能を大幅改善

Zaijing Li, Rui Shao, Bing Hu, Haoyu Zhang, Dongmei Jiang, Liqiang Nie

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
論文全文を読む（PDF）
arXiv
VLA上級

VLAモデルの反事実的失敗は既知軌道の再生、ECTが指示と行動の結びつきを改善

Hung-Jen Chen, Yu-Hsun Hou, Yan-Hong Chen, Yan-Fu Chen, Binghua Cai, Min Sun, Chun-Yi Lee

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。

VLA
論文全文を読む（PDF）
arXiv
World-action model中級

Magic-W0：物理知能に向けた構造化ワールドアクション基盤モデル

Xuhua Chen, Zhenhan Yin, Yuan Zhang, Lingfeng Zhang, He Zheng, Tong Mu, Shun Zuo, Dian Zhou, Di Wu, Xuan Zhou, Shaojie Wan, Rongtian Shen, Qiulong Xu, Yiduo Li, Yinglong Wang, Yanqian Wang, Kun Wang, Tao ZhangMagiclab Robotics Inc. (Magic-Lab Team)

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。

ワールドモデルVLAロボット基盤モデル模倣学習
Physical IntelligenceMagicLabAgiBotNVIDIA
論文全文を読む（PDF）
arXiv
Grounding上級

GroundingPI、点とボックスで物理的知能向けの知覚基盤を確立

Qize Yu, Lianrui Fan, Boyu Chen, Jiaqi Liang, Xini Ding, Yue Chen, Zetian Song, Yuran Wang, Yi Zou, Kaixuan Wang, Tianxing Chen, Wenxuan Song, Bohan Zhou, Mingleyang Li, Siqiao Huang, Yuqi Ye, Caigao Jiang, Wei Wei, Ruihai Wu, Hang Zhang

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。

VLARL
Physical Intelligence
論文全文を読む（PDF）
arXiv
Aerial Manipulation上級

局所全身VLAをシーン規模空中マニピュレーションへ拡張、MPARで実測進捗に整合

Weixiang Guo, Rui Jin, Haotian Jin, Xinhang Xu, Ruiyang Liu, Haoran Zhao, Yi Wang, Weiqi Gai, Kun Cao, Lihua Xie

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。

VLA
論文全文を読む（PDF）
arXiv
Preference Learning上級

PrefPI、相対選好のみで事前学習済み生成方策を初期分布外の行動へ段階的に誘導

Seungeun Rho, Wontaek Kim, Danfei Xu, Sehoon Ha

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。

VLA
論文全文を読む（PDF）
arXiv
VLA中級

ChunkTrust：アクションエキスパートの手がかりでロボット方策の実行ホライズンを適応的に決める

Fanding Huang, Jingyan Jiang, Shifeng Bao, Mingkang Pu, Shiwei Li, Jing Xu, Shijia Xu, Guanbo Huang, Chenghao Gu, Yuzhi Huang, Chenxin Li, Faisal Nadeem Khan, Huan Yang, Yan Wang, Cheng Chi, Zhi WangTsinghua University, Beijing Academy of Artificial Intelligence (BAAI), Renmin University of China, Shenzhen Technology University, Hefei University of Technology, Jiangnan University, Chongqing University, The Chinese University of Hong Kong

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。

VLAロボット基盤モデル模倣学習
Physical IntelligenceNVIDIA
論文全文を読む（PDF）
arXiv
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

Di Wu, Rongtian Shen, Ping Liu, Yan Shen, Zhenhan Yin, Shun Zuo, Xuhua Chen, He Zheng, Lingfeng Zhang, Jianglin Zhang, Tao Zhang

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。

VLA
論文全文を読む（PDF）
arXiv
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

Hao Wang, Jiajun Wen, Jingzhi Liu, Shuoshuo Xue, Zhiliang Chen, Min Lin, Yicheng Chang, Xiaoyu Guo, Yukang Zhuo, Zheng Chong, Yunshuang Nie, Jian Zhang, Weijia Liufu, Qingman Wu, Heming Xu, Bingchang Song, Dantong Wu, Zhiyuan Wang, Hang Xu, Jianhua Han

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。

VLA
論文全文を読む（PDF）
arXiv
VLA上級

MotorMind: Scaffolding General Vision Language Models for Zero-Shot Robot Manipulation

Bingxuan Li, Siqi Song, Yizhuo Wu, Jiarui Yao, Tong Zhang, Huan Zhang

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.

VLA
論文全文を読む（PDF）
arXiv
VLA上級

WayFinder: Hierarchical Visual-Language-Action for Zero-Shot Waypoint Generation and Low-Level Kinematic Control

Timothy K Johnsen, Marco Levorato

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.

VLA
論文全文を読む（PDF）
arXiv
VLA robustness上級

自己補償型VLAがロボット実行誤差をオンライン補償、RoboStressと実機で成功率を大幅改善

Sohyun Lee, Yoonjae Baek, Jaesang Won, Jinnyeong Kim, Kang Hyunwoo, Seung-Hwan Baek, Ivan Laptev, Suha Kwak

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。

VLA
論文全文を読む（PDF）

テーマ別ページ

マニピュレーション 8VLA 4World Action Models 5World-action model 3Aerial manipulation 3Dexterous manipulation 3Sim-to-Real Manipulation 3Social Navigation 3

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。