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。
Pretrained robot policies provide useful action priors, but long-horizon manipulation still requires coordination between semantic reasoning and physical execution. Semantic reasoning operates at a coarser timescale than physical interaction, while episode-level failures provide limited guidance on which system component should be revised.
A vision-language-action (VLA) policy can finish a manipulation task while knocking over objects unrelated to it, so task success alone does not show that the policy is safe to deploy in clutter. We study how to keep a pretrained VLA policy clear of such hazards at run time without retraining it, which requires guarding more of the arm than the end effector, following the hazard as it moves, and sharing onboard compute with the policy.
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。
Vision-language-action (VLA) models can exceed 90% success on in-distribution tasks and withstand nuisance changes that preserve the required action, yet fail under counterfactual changes that demand a different action. Aggregate robustness scores can therefore conceal a more specific failure, in which a policy responds to both language and vision yet does not combine them to select the action the task requires.
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。
We present PrefPI (Preference-Guided Policy Iteration), an iterative framework for steering pretrained generative robot policies using only relative preferences over self-generated trajectories. Unlike prior preference-learning methods that primarily sharpen modes already represented by the policy, we study steering beyond the initial effective support, where desired behaviors are rarely or never observed under the initial policy.
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。
Vision-language-action (VLA) policies emphasize semantic understanding, whereas world-action models (WAMs) learn predictive representations of environment dynamics. Systems that expose a policy to both sources often still concentrate action computation on a single expert.
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.
Vision-language-action (VLA) policies often fail when a robot's executed motion deviates from their commanded action. Such execution errors arise from the robot's mechanics and operating conditions, such as wear and payload changes.
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.
Co-training a VLA on heterogeneous data (multi-robot, web, high-level subtask labels) lets a mobile manipulator clean unseen homes end-to-end.
A slow VLM planner (7–9 Hz) and a fast visuomotor policy (200 Hz) control a full humanoid upper body from language.
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。