#robotics

12 記事

01 ·時系列データ系·★ 会員·論文·11分で読めます 論文解説: PointWAM — 世界を「場面」と「手」の3D点の軌跡に分けて予測し、人間の動画からロボットの器用な手を学ぶ PointWAM: 3D World Action Modeling for Dexterous Robotic Manipulation 世界を「場面の点」と「手のキーポイント」に分け、両方の未来の3D軌跡を同じ座標系で予測してから、手の軌跡をロボットの動作に変換するPointWAM。人間の動画115万エピソードで事前学習し、DexJoCoの平均成功率を12.1%から69.0%へ引き上げた設計を、論文本文に沿って1から解説する。 02 ·★ 会員·論文·11分で読めます 論文解説: MaP-WAM — ロボットの「記憶」を計画に変え、履歴が伸びても実行器の重さを一定に保つ Memory as Plans: World-Action Modeling with Memory-Grounded Planning 過去を覚えていないと解けないロボット作業で、長い映像履歴を毎回実行器に食わせるのをやめ、「次に何をするか」の計画に圧縮して渡す MaP-WAM を解説。進捗を行動と同時に予測して区切りを自分で判断し、RMBench 83.3%・実機78.0%を報告した設計を、論文本文に沿って1から読む。 03 ·★ 会員·論文·13分で読めます 論文解説: LIT — ロボットが「見た目の手がかり」でズルをしないように、視覚の通り道を1本に絞る Breaking the Vision-Action Shortcut: Latent Interface Training for Generalizable Robotics Foundation Models ロボット基盤モデルは訓練時の背景や照明といった無関係な手がかりに頼って動きを覚えてしまう。LITは画像なしで「行き先付きの動き」を先に学ばせ、視覚は姿勢を当てる潜在トークン経由でしか渡さない2段階学習で、4種のモデルすべてのLIBERO-Plus成功率を上げた。 04 ·論文解説·★ 会員·論文·19分で読めます 論文解説 CosmoH2G — 人の手の「ひっくり返す」動きを、二本指グリッパに写す CosmoH2G: A Hand-to-Gripper Transfer Dataset and Baseline Method for Object Manipulation with Complex Spatial Movements 人の手の動画を二本指グリッパの動作に変換する研究は、これまで「置く・押す」のような平面的な作業に限られていた。CosmoH2G（arXiv:2609.07498）は回転・反転を含む動きに絞った手とグリッパの対データ6,189本を集め、始点と終点の姿勢を先に決めてから間を生成する二段構えで、既存手法より安定して写せることを示した。論文本文だけを根拠に解説する。 05 ·★ 会員·論文·11分で読めます GE-Act 2.0 論文解説：未来を1発で描くロボット基盤モデルを、ゼロから事前学習する GE-Act 2.0: Pretraining and Scaling a World-Action Model for Robotic Manipulation GE-Act 2.0 とは、動画生成器の流用ではなく、操作データの上でゼロから事前学習した世界行動モデル。1回の順伝播で未来を描き切る視覚プランナと、行動と噛み合う未来だけを選ぶKASOを、100タスクのゼロショット評価で検証した論文を1から解説する。 06 ·論文解説·★ 会員·論文·15分で読めます 論文解説 RoboTok — ネット動画から「手の動きが似た手本」を掘り出すデータエンジン RoboTok: An Internet-Scale Data Engine for Human Demonstration Retrieval and Dexterous Manipulation Learning ネット上の人間の動画から「手の動きが似ている手本」だけを引き当てるデータエンジン RoboTok（arXiv:2609.03199）を、前提知識ゼロから解説。DTWで似た動きを定義し、その順位を埋め込みに蒸留して内積検索に落とす設計と、実験結果・限界までを追う。 07 ·エージェント·★ 会員·論文·17分で読めます 論文解説: ZimaBlue — 12万時間の一人称動画でロボットを汎化させる ZimaBlue: Evolving Generalizable World Action Models through Scalable Video Pre-training 行動ラベルのない一人称動画12万時間をロボット制御に変換する World Action Model の論文を1から解説。3段階カリキュラム・100次元の統一行動表現・Slow-Fast の非同期二系統で、実機ゼロショット36.1%→77.8%、制御周期33msに至るまで。 08 ·★ 会員·論文·14分で読めます 論文解説: Beyond Data Scaling — ロボット基盤モデルは「データ量」より「表現」で決まる(VLAct) Beyond Data Scaling: Representation-Centric Continued Pre-training for Vision-Language-Action Models ロボットの軌跡データはWebのように集められない。ならば限られた軌跡から「使い回せる表現」を絞り出すべきだ、という主張の論文。VLM事前分布の保護・複数ヘッド同時監督・身体をまたいだ部分統一の3点で、16GPU・全部オープンデータのまま産業系VLAを上回った。 09 ·推論・高速化·★ 会員·論文·12分で読めます 論文解説 WarpSAC: 強化学習の「安定化装置」は、データが潤沢になると足枷に変わる WarpSAC: Towards the Pinnacle of Scalable Off-policy RL by Rethinking Exploration and Exploitation GPU並列シミュレータで経験データが桁違いに増えると、SACの正規化やclipped double-Qといった「安定化装置」は助けから足枷に変わる。論文は3本の軸を切り分け、データ状況に応じて安定化装置を外すという処方箋(WarpSAC)を示した。 10 ·無料·論文·13分で読めます 論文解説: GigaBrain-0.7 — 3万7千時間の身体経験と「3つのシステム」で動くロボット基盤モデル GigaBrain-0.7: Scaling Embodied Foundation Models to Emergent Capabilities with a Three-System Architecture ロボット基盤モデルを「理解」「予測・評価」「行動」の3システムに分け、37,256.98時間の身体データで一段階事前学習する設計を、論文本文だけを根拠に1から解説する。未来画像と進捗値で方策を条件付ける仕組み、勾配を絞って流すSoft KI、実機での成功率まで。 11 ·エージェント·★ 会員·論文·21分で読めます 論文解説: Zetta ζ — 方策を凍結したまま、ロボットが実行中に自分を直す「閉ループ・ハーネス」 Zetta $ζ$: An Efficient Closed-Loop Embodied Harness for Self-Evolving Physical Intelligence エピソードが終わってから反省する既存の身体エージェントに対し、Zettaは「コードで書かれた監視役」を行動と同じ頻度で回し、失敗の兆候が出た瞬間に介入する。方策の重みを一切触らずに成功率を押し上げた設計を、論文本文に沿って1から解説する。 12 ·CNN・画像認識·★ 会員·論文·10分で読めます 論文解説: TurboVLA — LLMを追い出したロボット方策が、RTX 4090・VRAM 1GB未満で32Hzを叩き出す TurboVLA: Real-Time Vision-Language-Action Model at 32 Hz on an RTX 4090 with <1 GB VRAM 「画像→LLM→行動」が常識だったVLAから大規模言語モデルを外し、視覚と指示文を軽量クロスアテンションで直結。0.2Bパラメータ・31.2ms・0.9GB VRAMでLIBERO 97.7%を達成した設計を、論文本文に沿って1から解説する。