ロボットは動き方を知っていても、何をすべきかの手がかりを必要とする。その「文脈」を扱う研究を100ページ超で整理したサーベイです。 タイトル: In-Context Learning for Robots: Methods and Applications URL: ❓ ロボットの文脈内学習とは何ですか？ デプロイ時にニューラルパラメータを固定したまま、デモンストレーションや相互作用を使って既存の能力を方向づける適応のことです。大規模事前学習で動き自体は獲得できても、目の前のシーンでは複数の手順がどれも実行可能に見えたり、素材の反応が未知だったりします。この欠落は運動能力をいくら高めても埋まりません。 ❓ ファインチューニングと何が違うのですか？ ファインチューニングは新しい証拠を重みに取り込みますが、文脈内学習は意思決定の瞬間に証拠を利用可能にします。論文は適応の所在を、供給された文脈・再帰的状態・外部メモリ・テスト時の重み更新・永続的な重み更新の5つに分け、前3者がパラメータ固定にあたると整理しています。 ❓ 手法はどう分類されているのですか？ 実行が消費する中間表現を軸に4ファミリーへ整理されます。 ・文脈条件付き方策（証拠から行動を直接推論） ・幾何的デモンストレーション転移（参照軌道を位置合わせして実行） ・世界モデルベース制御（未来を予測して計画） ・スキル/エージェントベース実行（スキルやプログラムを選び別のエグゼキュータへ） 同じデモが4つのどれにもなり得る点が重要で、違いは証拠の取り方ではなく実行が必要とする中間表現にあります。 ❓ 評価はどうすればよいのですか？ 証拠を取り除く、記憶を消す、検索を止める、重みを戻すといった介入を実行条件を揃えて行い、改善の出どころを特定します。実際、未知の行動規約を自力で発見させる設定では20エピソード中1回しか成功せず、対応関係の推論も23.3%にとどまったと報告されています。 #ロボティクス# #InContextLearning#

ロボット対戦アクション「ROBOTEKA（ロボテカ）」デモ版にローカル2P対戦モードを追加。重心移動と“見切り”が特徴の2D格闘ゲーム インディゲーム開発のHAMMERVILLEが手がける作品。レバーとボタンによるシンプルな操作で対戦を楽しめる

ロボット基盤モデルがシミュレーションでは高性能なのに、カメラの位置や照明が変わった途端に失敗する原因、実は「見た目のズル」だったかもしれません。 タイトル: Breaking the Vision-Action Shortcut: Latent Interface Training for Generalizable Robotics Foundation Models URL: 📝 概要 訓練分布内でたまたま行動と相関しているだけの無関係な視覚手がかりに頼ってしまう「視覚-行動ショートカット」を断ち切る学習手法「Latent Interface Training（LIT）」を提案しています。 ❗ 解決する課題 ロボット基盤モデルは分布内では強いのに、視覚的な分布シフト（カメラ視点・照明・センサノイズなど）が起きると性能が大きく落ち込む問題がありました。 ⚙️ 方法論 まず画像を使わずポーズ目標だけで行動部分を事前学習し、次に100個の潜在トークンを介して視覚情報を必ず経由させ、ポーズ再構成損失で監督する2段階構成になっています。 🤖 ユースケース π0.5・MolmoAct2・FAST-WAM・ImageWAMという4種類の異なるロボット基盤モデルすべてに適用でき、フレームワークを選ばない汎用的な手法です。 📊 実験結果 LIBERO-Plusの分布外評価で全モデルが3.87〜10.70ポイント改善。実世界のロボット操作でも照明変化時に+16.7ポイント、特定タスクでは+60ポイントという大きな改善を達成しています。 見た目に頼らず本質的な空間情報で判断させる発想が、実運用ロボットの信頼性向上に直結しそうです。 #ロボティクス# #VLA#

ロボットカーニバル🤖 AIフィルムコンテスト開幕祭 沢山のご参加ありがとうございました🎉 いよいよ募集開始です🙌🌟 今後も様々なお知らせを 楽しみにお待ちください🥳 ご感想ぜひお聞かせください💌 #ロボカニ# #RobotCarnival#

ロボットが初めて「Wine Bottle in Bowl」を学習したとき、成功率はわずか 15% だった。それがある閾値を超えた瞬間、95% へと跳ね上がる。これはモデルを再訓練したからではない。コードで書かれた「観察と介入の仕組み」が、自ら進化したからだ。 これまでの VLA（Vision-Language-Action）モデルはオープンループだった。ロボットが失敗しても、次のエピソードが終わるまでフィードバックがない。人間がログを見て、パラメータを手動で調整する。そのサイクルは遅く、スケールしない。小さな外乱が連鎖的な失敗へと積み重なっても、システムはそれをリアルタイムで捉えられなかった。 Zetta ζ はその問題を3つの時間スケールで解きます。実行中は高頻度のクリティックが軌跡を監視し、衝突の芽を摘む（アクションレベル）。失敗したエピソードはシグネチャでクラスタリングされ、6層の因果診断でボトルネックを特定してハーネスを最小限に修正する（エピソードレベル）。そして未知の環境でも汎化したスキルだけが、バリデーションゲートを通ってスキルメモリへ永続登録される（イテレーションレベル）。 ベースモデルの重みは一切変えません。進化するのはコードとしてのハーネスだけ。LIBERO-Pro で 34.5% → 90.8%、RoboCasa で 73.6% → 93.6%。推論速度は RPent 比 11.1 倍。スループットは 1.7 → 35.1 エピソード/分（20.6 倍）へ。学習したスキルは PnP-Sink・PnP-Cabinet・PnP-Toaster でゼロショット転移に成功しました。 Zetta ζ: An Efficient Closed-Loop Embodied Harness for Self-Evolving Physical Intelligence #EmbodiedAI# #ロボティクス#

ロボット操作のビデオ世界モデルで「本当に指定した動作をしているか」を検証できるモデルが登場しました。 DreamX-Phi 1.0: Action-Conditioned Video World Model for Robotic Manipulation Wan2.2-TI2V-5Bを基盤に、初期フレームと言語指示、両腕の行動軌道から将来フレームを高精度に予測するビデオ世界モデルです。WorldArena 2.0 Track 1で31チーム中1位（EWMScore-P: 60.65）を達成しました。 🔷 注目ポイント1: PRoPE — SE(3)を直接アテンションへ注入 行動を汎用トークンに変換する従来手法を捨て、エンドエフェクタの位置・回転行列・グリッパー状態をSE(3)変換としてアテンション機構に直接組み込みます。アームごとにヘッドをパーティションし、Kronecker積でトークンワイズ変換を適用することで、グローバル座標系への依存を排除。制御性スコア98.55という驚異的な数値を叩き出しています。 🔶 注目ポイント2: 深度ブランチ + 物体中心監督で「見た目」以上の精度を RGB損失だけでは表面順序やオブジェクト範囲を制約できないという根本問題に、2段構えで対処します。軽量な深度ブランチ（最後のMブロックを複製した一方向クロスアテンション）が幾何学的整合性を担保し、SAM3マスクと凍結V-JEPAティーチャーのグラム行列制約が操作物体の時間的一貫性を保ちます。静的背景が大きなロボット映像において、接触近傍のエラーを損失関数に確実に反映させる仕組みです。 🟣 注目ポイント3: DMD蒸留で多ステップを少ステップへ KL divergenceと非飽和GAN損失を組み合わせた分布マッチング蒸留（DMD）により、推論時のステップ数を大幅に削減。Ego4D・AgiBot World 2026・RoboTwin 2.0など合計約6,000時間超の多様なデータで学習されており、広範な視覚事前知識と行動接地の両立を実現します。 ロボット世界モデルがついに「リアルに見える」から「正確に動く」へ進化した一歩です。 #ロボティクス# #世界モデル#

ロボットに武器を付けたらどうなる? REKでも実際に話が出てる。剣、棒、ロケット、火炎放射器。銃はさすがにやりすぎ。 というか、もう1体に火炎放射器を付けて遊んだらしい。「人間じゃないから、無限の可能性がある」。 ヒューマノイドは、要するにアクチュエータの塊。 だから壊れるのもアクチュエータ。モーターと減速機を極限まで小型化した部品で、作るのはまだ高い。 そしてその多くが中国製。アメリカで作ろうにも、磁石も銅も鋼材も減速機も必要で、サプライチェーンが難しすぎる。 @NickDobrikov