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。
Runtime failure monitors for robot policies are typically evaluated by how accurately they distinguish failed from successful executions. Yet an accurate alarm may arrive too late for recovery, while an unnecessary intervention may disrupt an execution that would otherwise succeed.
Reinforcement Learning (RL) substantially improves planning performance in autonomous-driving Vision-Language-Action (VLA) models. However, existing RL methods rely on scalar trajectory rewards that measure overall quality but fail to identify specific planning errors or provide actionable correction signals.
Vision-language-action (VLA) models and world action models (WAMs) have advanced robotic policy learning by building on pretrained vision-language models (VLMs) and video generative models (VGMs), respectively. Yet VLAs learn without explicit supervision from future world states, while WAMs that condition actions on predicted futures incur extra inference cost and let visual prediction errors propagate into actions.
Vision-language-action (VLA) policies issue sparse targets whose arrival at the robot controller is delayed and irregular, so a reasonable predicted action can still produce abrupt motion near people. Remedies are evaluated on different streams, delays and metrics.
Pre-trained robot policies, such as Vision-Language-Action (VLA) models, provide a strong foundation for generalist robotic manipulation, but adapting them to new tasks with only a few demonstrations remains challenging. Directly fine-tuning a pre-trained policy often achieves strong in-distribution performance, yet it can distort the representations learned during pre-training and weaken the model's generalization ability under out-of-distribution shifts.
Pretrained vision-language-action (VLA) models encode broad manipulation priors, yet adapting them to specific tasks requires balancing limited robot interaction, computational resources, and safety constraints. Noise space learning (NSL) adapts flow-matching-based VLAs by learning a context-conditioned distribution over noise while keeping the pretrained VLA fixed.
Actions specify what a robot should execute, but do not describe what those commands will achieve. Vision-language-action (VLA) policies nevertheless learn primarily by predicting action chunks from images, language, and state.
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.
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.
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。
FastOPDは、大規模VLA基盤モデルを軽量な学生モデルへ転移するオンポリシー蒸留フレームワークである。単一のオンポリシー状態で教師速度を一致させ、自己整合性損失で有限区間の遷移へ伝播させることで、少ない推論ステップでも性能を維持する。LIBEROではπ0.5教師の84%の性能を2ステップで保持し、従来の数ステップ蒸留手法を上回った（本論文はプレプリントである）。
ManiPhysicsBenchは、物体の材料特性と3DメッシュをまとめたManiPhysicsZooと、把持時の接触力から損傷閾値を計算するソルバー評価を組み合わせ、LIBEROとSimplerEnv上でVLAの物体保全を評価するベンチマークである。公開VLAチェックポイントを評価したところ、タスク成功率に対して安全成功率は大幅に低く、把持コマンドは全開か全閉に集中していた。物体固有の連続グリッパーラベルで再学習すると安全成功率は向上したが、タスク成功率は低下した。これはプレプリントである。
MixVLAは、視覚言語行動モデルのゼロショット汎化を高めるモデル非依存の学習フレームワークである。情報ボトルネックと重み減算で不変表現と非不変表現を分離し、非不変特徴を適応混合してから行動予測に統合する。LIBERO-Plusで76.2%、RoboTwin 2.0のC2Rで62.4%を達成し、実機照明変化でもπ0.5の20%から60%へ改善した。本論文はプレプリントである。
本研究は、接触リッチ操作タスクを自由空間アプローチと接触インタラクションに分け、前者をフォトリアルなデジタルツインで、後者を少数の実機デモで収集するSARIを提案した。カメラ相対行動表現でπ0.5をポストトレーニングし、5つの実タスクで未見配置の完了を達成し、ランプタスクでは実データ収集時間を34.3%削減して未見配置成功率27.5%を記録した。本論文はarXivプレプリントである。
MobiAgentは、長距離移動操作向けに内部ループと外部ループを組み合わせたエージェントフレームワークである。本プレプリントでは、BEHAVIOR-1Kでπ0.5-TAを22.5ポイント上回る平均成功率65.0%を記録し、実機Astribot S1でも自己改善により平均成功率が32.5%から57.5%に向上した。スキルの再利用と視覚検証に基づく再計画が、移動操作の長期タスク自動化に有効であることを示した。
本論文は、視覚言語行動モデルの内部表現をスパースオートエンコーダで解析し、敵対的パッチの存在に強く相関する特徴を線形プローブで検知した場合のみ抑制する防御手法を提案した。π0.5とSmolVLAをLIBERO-10の間欠的UADA攻撃で評価し、条件付き介入が成功率を改善する一方、無条件の抑制は清浄時の性能を大きく低下させることを示した。査読済み学会誌への採録は明記されておらず、プレプリントである。
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。
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。
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。
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。
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。