人間のモーションキャプチャを各種ヒューマノイドへ変換する作業は計算コストが高く、手作業の調整も必要だった。FRDVは、独自のSQPソルバー、リアルタイムイテレーション、並列チャンク処理を組み合わせた高速な運動学リターゲティングと、任意の動力学検証から成る枠組みである。処理速度は最大9,156フレーム/秒で、GMRやProtoMotionsより最大約136倍高速とされる。接触を暗黙に扱うiLQRで動力学的に実現困難な動作を見分け、足の浮きや滑りも修正する。モーション追従の強化学習で品質を評価し、Unitree G1でゼロショットのシム・トゥ・リアル転移を確認した。コードと動画は公開されている。
人間のRGB動画1本から、同カテゴリの多様な物体に対するロボット実演を数千件生成するReal2Sem2Realが発表された。物体の姿勢をGaussian splatで追跡し、写真から作ったデジタルな類似物体を意味的に位置合わせして、シミュレーションで再生する。IsaacSimまたはMuJoCoで2,000件超を約2時間で生成できる。生成データでπ0.5を微調整し、2台の実ロボット・4タスクで評価した結果、遠隔操作データと同等以上の性能を示した。
動画生成モデルを身体性ワールドモデルの基盤にするには、生成された動作が物理的に妥当でタスク指示に忠実である必要がある。研究チームは、物理的妥当性と指示整合性の2軸でMLLMの審判能力を測るRoboJudge-Benchを作った。8種のコーパスと10種の動画生成器による人手注釈付き800本を対象とし、汎用MLLMは物理面で人間との一致が低いことが分かった。そこで1.2万本・2.5万件のスコアで構成する学習データを作り、教師あり学習と強化学習で9BのRoboJudge-9Bを訓練した。ピアソン相関は0.719で、最良の商用比較対象Gemini-3.7-Flashを0.089上回った。
タスク別の学習をせずに、触覚の経験から細かな操作ができるかを調べた研究。システムTactile-ETAは、専門家デモの各動作にカメラ映像と両側の触覚観測を組み合わせ、文脈として与える。エージェントは現在の視覚、触覚、固有受容と合わせ、汎用ロボットツールで行動を選び、パラメータは更新しない。シミュレーション4タスクでは、同じ2件のデモに触覚を加えると平均成功率が15.75%から24.00%に上がった。実機では視覚と触覚をそろえたデモで成功率が0%から60%になった。
LocoPilotは、移動と操作を併せた方策の学習用デモを一人で収集できる双方向遠隔操作フレームワークである。12自由度の Unitree Go2 四足ロボットに6自由度の AgileX Piper L アームと RealSense D435・D405 カメラを搭載し、リーダー用の第2のアームと2つのハンドヘルドコントローラで胴体・姿勢・アーム・グリッパーを同時に操作する。力覚センサなしで推定した接触力を、受動性を保つ触覚チャネルで操作者に返す。ROS 2で同期した多モーダル観測と共通の11次元行動を記録し、MolmoAct2をピック＆プレース demo で微調整して、再マッピングなしに実機へ展開できた。コードは公開されている。
Lee、Dennler、Sucholutsky、Bobuらが、ロボットがタスクの特徴を取り違える問題に対し、自然言語の修正で内部表現を更新するFLEXを提案した。言語モデルを使い、足りない特徴の追加、具体的すぎる特徴の一般化、無関係な特徴のマスクという3操作で表現を反復的に洗練する。2Dナビゲーション、7DoFのFranka卓上操作、実ロボットでの人間の言語修正を用いた実験で評価した。単一操作の手法などと比べ、3操作すべてが対話場面で必要であり、正規化報酬も一貫して高く、簡潔で転用しやすい表現を保つと報告している。CoRL 2026に採択された。
月の極域では太陽高度が低く、長く濃い影がステレオ視やテレイン認識、自己位置推定を難しくする。MAREはUnreal Engine 5とROS 2上に構築した、月面ローバーの知覚・自律用オープンソースのシミュレーション一式である。クレーターや岩のある地形の標高マップを生成するTerrain Studio、ステレオ・LiDAR・イベント・SPADカメラを備えた物理ベースのローバー2種、Webベースのミッション制御を行うGNCスタックで構成される。画素単位の正解データを時刻同期で出力でき、低太陽高度での予測影と描画影のIoUは平均0.79だった。実機試験の高コストを補う開発基盤となる。
CMU Pathak研が、場面に応じた全身操作を学ぶsim-to-real枠組みCOWBOYを発表した。環境を考慮した全身制御器が数千の場面でのリーチを担い、局所的なRL専門家が物体操作を学んで多数のレイアウトで再利用される。これらを蒸留し、点群入力から移動基台・腕・多指ハンド・可動カメラを動かす単一の視覚方策を作った。計32自由度を協調させ、散らかった机や棚、引き出しなどで数百の物体をゼロショットで把持できる。
ロボット操作の能力主張は検証が難しく、既存のリーダーボードは非公開・シミュレーション限定・不正可能のいずれかだという問題意識から、HATCHが提案された。実物のロボット脱出部屋として仕様を公開し、物理的に再現でき、センサーで採点し、事前の練習が効かない設計だ。タスクは5つのスキル分野と3段階の難易度にまたがり、前のタスク完了をセンサーが確認すると次が解錠される連鎖構造で、一つの長期評価になる。配置は実施日のシードでランダム化し、参加者は無編集動画・センサーログ・シードを添えた自己実行を提出する。仕様書、製作ガイド、部品表、採点基準は公開ライセンスで公開される。
ロボットのプランナーを、複数のハーネスにまたがって後学習するフレームワークAgenticRoboRLが公開予定だ。教師あり微調整とマルチターン強化学習を組み合わせ、ハーネスごとのアダプタで共通の学習パイプラインを実現する。対象はVLAスキル呼び出しと制御コード生成の2方式である。LIBERO-PROで9Bパラメータのプランナーの成功率が18.1%から71.0%に向上し、外部メモリ付きCodex（GPT-5.5）の72.1%に迫った。フレームワークと学習済みチェックポイントは公開される予定である。
3D Gaussian Splattingをロボットの環境理解に使う論文が3件出た。PanoGraphGSはパノプティック分割と階層的3Dシーングラフを統合し、フロア・部屋・物体の階層を復元する。ReplicaとNaviGSで物体ノード精度が最強の比較手法を平均50ポイント超上回り、実世界データセットNaviGSも公開した。AOV-GSはSAMとCLIPを用い、意味的に新しい視点を優先して探索する能動マッピングで、Replicaの言語場mIoUを幾何のみの計画より1.3ポイント改善した。SceneRigは単一画像から物体ごとに再構成し、幾何・物理のフィードバックで配置を補正してシミュレーション可能なシーンを作る。
VLAモデルの内部機構を、スパースオートエンコーダと因果的介入で調べた研究。タスクAの活性を別の場面のπ0.5に注入すると、99.6%のエピソードでAの動作軌道が実行され、動作が視覚上の物体でなく絶対的な作業空間座標に結び付くことが分かった。実機UR10eでも確認され、元の物体を10〜15cm動かしても記録座標で把持し、50/50回で誤動作した。6種のVLAを42万回超のロールアウトで調べ、どの構成も指示を符号化するが視覚より低く重み付けすることも示した。520超のSAEを収めた解析基盤Action Atlasも公開した。
ロボット操作の評価に関する論文2件がarXivに投稿された。RoboCasa-Shiftは、家庭内の長時間タスクでVLAが環境変化にどう崩れるかを段階別に診断するベンチマークで、GR00T N1.5を1,040回の試行で評価した。同じ低下幅でも、失敗が起きる段階は条件によって異なると分かった。もう1件はLIBERO-10で、GPT、Claude、Geminiなど6つの最先端モデルを18設定、1,800エピソードで評価した。最高の成功率はGPT-6 Astraの44%で、推論量を増やすと概ね向上した。両研究とも、評価用のコードや結果を公開している。
NASAの月面リサイクル競技会「LunaRecycle Challenge」のフェーズ2で、MITの学生チームCERBERUZが1位を獲得した。試作機部門とデジタルツイン部門の両方で優勝し、賞金は計77万5000ドルに上る。システムは混合ごみを微粉末に粉砕し、Zotekフォームなどを補強材として再利用する。粉末は射出成形品や3Dプリント用フィラメントの原料になる。全米14の決勝チームが8月24〜28日にアラバマ大学で技術を披露した。月面基地での廃棄物削減と部品の現地調達につながる点が重要だ。
身体性基盤モデルの知覚を強化するため、空間グラウンディングの教師データを拡大した研究。ロボット操作の記録や一人称視点の映像などを、検証可能な教師データに変換するパイプラインを作り、Qwen3.5-9Bを約150万サンプルで微調整してACE-Brain-0.6を得た。公開ベンチマーク7件のうち4件でGPT-6 Astraを上回り、平均は75.41対73.68だった。データを0.26Mから1.55Mへ増やすと平均は69.3から75.4へ上がった。ただしPixMo-Countなど3件ではAstraに及ばず、ロボット操作の成功までは検証していない。
両手ロボットによる器用操作を評価するシミュレーションベンチマークBiDex-100が発表された。汎化、指示追従、少数デモ、長期タスク、記憶の5軸にわたる106タスクで構成し、各タスクには視覚・空間条件を変えた分布外版が付く。22自由度のハンドを持つ2種の機体に対応し、成功を検証済みの遠隔操作デモ8,080件（計625万フレーム）を提供する。最近のVLAモデル7種を共通条件で評価し、能力別の性能、頑健性、データ効率のベースラインを示した。コード、タスク、データ、評価ツールは公開予定とされる。
行動の大規模事前学習を持たない方策へ、事前学習済みの身体性基盤モデル（EFM）の能力を移す手法TILDEが提案された。生徒方策が実際に到達する状態で教師が教える方策内蒸留と、教師が実行した回復軌道からの学習を組み合わせる。さらにAutoDAggerは、報酬モデルで進捗を監視して教師の介入を自動で起動し、人手の監視なしに回復データを集める。回復軌道の収集は人が介入する方式より2倍以上速い。実機の3タスクで、行動模倣に比べ最大4.1倍の性能向上を示し、異なるアーキテクチャ間の蒸留にも有効だった。
連続空間のロボット計画では、接触モードなどの離散的な記号を使うと探索しやすくなるが、何が良い記号かは明確でなかった。本研究は、解法にとって問題を簡単にする記号を「ソルバー十分」と定義し、区分アフィン系でこれを厳密に特徴づけた。反例誘導による記号発明のアルゴリズムを作り、ニューラルネットのエネルギー関数にも拡張した。シミュレーションと実ロボットの課題で、解の質を保ちつつ解法コストが下がり、解釈性と操作性も高まった。同日の別研究では、拡散計画器が未知領域でエキスパートを選ぶより、20シーンの追加学習のほうが効果的だと示している。
flow-matching型VLAであるπ0.5の推論コストを下げるため、MambaActが提案された。事前学習済みの視覚言語エンコーダは維持し、Transformer製の行動エキスパートを小型のMamba製に置き換える。VLMトークンを圧縮するContext Compressorで条件付けを保つ。行動エキスパートは10分の1の大きさとなり、デノイズ遅延はLIBEROで64.8%、実環境で58.8%減った。LIBEROの平均成功率も1.08ポイント向上し、コードとモデル重みは公開されている。
