Physical AI フロンティア・レーダー · 2026-09-29
フィジカルAIの最前線を毎日更新：8つの軸、三言語の要約、追跡可能な根拠。
- 生成時刻:
2026-09-28 23:40 UTC - 対象期間:
論文 2026-09-25 → 2026-09-29 · ブログ・報道 2026-08-30 → 2026-09-29 · 30 日以内の重複なし (UTC) - 根拠タグ：O = 一次情報 · R = 論文/プレプリント · M = メディア/二次情報
本日の注目
1. NVIDIA Cosmos 3 on AWS: Omnimodal World Models for Physical AI
- 軸: 基盤モデル（VLA / WAM） ｜ 根拠:
[O]｜ 出典: AWS Physical AI Blog ｜2026-09-28 - シグナル:
実機実験あり - 重要な理由
AI 下書き: 知覚・予測・制御モデルの学習データ不足に悩むチーム向けに、Cosmos 世界基盤モデルでデータ不足に対処するという AWS 前回記事の一次続編。本ページに数値はなく、データ予算の見直しは実測結果を待ちたい。
Introduction In our previous blog, we demonstrated how NVIDIA Cosmos world foundation models on AWS address the data scarcity problem in physical AI: the challenge of training robust perception, prediction, and control models when…
2. Fast Plans, Faithful Actions: Closing the Planning-Execution Gap in Hierarchical Vision-Language-Action Models
- 軸: 基盤モデル（VLA / WAM） ｜ 根拠:
[R]｜ 出典: arXiv 2609.30833 ｜2026-09-25 - 主要数値:
91.0%(“on LIBERO-Long increases from 91.0% to 96.2%”) ·96.2%(“increases from 91.0% to 96.2%”) ·95.85%(“four suites increases from 95.85% to 98.45%”) ·98.45%(“increases from 95.85% to 98.45%”) - シグナル:
定量結果あり·閉ループ成功率あり·遅延・制御周期の数値あり - 重要な理由
AI 下書き: 視覚言語プランナーと低レベル行動エキスパートを組み合わせた階層型 VLA を使うなら、LIBERO-Long で 91.0% から 96.2% への改善という自己申告は参考になる。ただし本ページはベンチマーク上の差分のみで実機結果はなく、構成変更の前に自前環境での再現を。
Hierarchical vision-language-action (VLA) systems consist of a high-level vision-language planner and a low-level action expert that generates continuous actions.
3. 三箭齐发！Sharpa三大新品IROS全球首秀，三位一体再次刷新灵巧操作上限
- 軸: ハードウェアとサプライチェーン（機体 / コスト） ｜ 根拠:
[M]｜ 出典: 雷峰网 Leiphone ｜2026-09-28 - シグナル:
定量結果あり·遅延・制御周期の数値あり - 重要な理由
AI 下書き: 触覚付きマニピュレーションロボット D01、ハンド W02、外骨格型触覚データグローブ AE01 の同時発表で、ハンドと触覚データ収集を一社で揃えられる可能性が出た。ただし二次報道であり、選定前に仕様と供給をメーカーに直接確認したい。
美国匹兹堡，9月28日——美国匹兹堡智能机器人与系统国际会议（IROS）现场，Sharpa正式发布三款重磅全自研新品：首个一体式触觉感知灵巧操作机器人D01、新一代全触觉超紧凑、轻量化灵巧手W02，以及高保真外骨骼触感数据手套AE01。
4. VLaRL: Augmenting Vision-Language-Action Models with Simulation-Trained Latent-Conditioned Residual RL
- 軸: 学習と自己改善（RL / 事後学習） ｜ 根拠:
[R]｜ 出典: arXiv 2609.30868 ｜2026-09-25 - シグナル:
実機実験あり - 重要な理由
AI 下書き: 接触の多い操作で VLA の実行精度が足りないなら、シミュレーションで学習した残差 RL を上乗せする案は検討候補になる。実機実験ありとされるが本ページに数値はなく、事後学習段を追加する根拠としてはまだ弱い。
Vision-language-action (VLA) models provide broad, instruction-conditioned manipulation behaviors, but their physical execution can remain imprecise during contact-rich interaction.
5. Praxis: Distilling Physical Interaction Priors from Egocentric Videos for Generalizable Whole-Body Manipulation
- 軸: データエンジン（収集 / 精査 / スケーリング） ｜ 根拠:
[R]｜ 出典: arXiv 2609.30735 ｜2026-09-25 - シグナル:
閉ループ成功率あり - 重要な理由
AI 下書き: 作業空間への到達と、物体姿勢や接触の変化に応じた手と物体の相互作用維持を両立させたいモバイルヒューマノイド開発では、一人称動画から事前知識を得る道が示された。閉ループ成功率ありとされるが本ページに数値はなく、現時点では手がかり止まり。
Mobile humanoid manipulation requires both reaching a usable workspace and preserving precise hand-object interactions as object poses and contact conditions change.
6. 本田重申Momenta合作，中国智驾全球布局提速
- 軸: ハードウェアとサプライチェーン（機体 / コスト） ｜ 根拠:
[M]｜ 出典: 雷峰网 Leiphone ｜2026-09-28 - 重要な理由
AI 下書き: 報道によればホンダは Momenta の高度運転支援を採用し、2027 年発売車から順次導入するとした。中国の自動運転サプライヤーが海外量産車に入れるかを見極める時間軸の目安だが、二次報道なので計画に使う前にホンダ自身の発表で確認を。
本田与Momenta此前达成的智能驾驶合作，在近期媒体沟通会上再次受到关注。 除了再次明确采用Momenta高阶智驾方案外，本田还给出了具体的量产时间表，称相关技术将从2027年上市的车型开始陆续导入。
7. Gecko Robotics works with NVIDIA to add AI agent security and control
- 軸: 安全・権限・コンプライアンス ｜ 根拠:
[M]｜ 出典: The Robot Report ｜2026-09-28 - 重要な理由
AI 下書き: AI エージェントにロボットシステムを自律制御させる場合、Gecko が NVIDIA の新しい Open Agent Safety Platform を採用したとの報道は、既製の権限管理基盤が選択肢になりつつあることを示す。ただし二次報道で数値もなく、安全審査の根拠になるかは未確認。
Gecko Robotics is using the new NVIDIA Open Agent Safety Platform to ensure the secure autonomous control of systems.
8. Capturing Visual Environment Structure Correlates with Control Performance
- 軸: シミュレーションと評価（sim2real / 閉ループ） ｜ 根拠:
[R]｜ 出典: Toyota Research Institute ｜2026-09-09 - 重要な理由
AI 下書き: シミュレーションでも方策ロールアウト評価は高くつくため、環境構造をどれだけ捉えるかで視覚表現を事前に絞り込むという TRI の提案は評価コストの削減につながり得る。本ページに数値はなく、ロールアウトの代わりに使う前に相関の強さを確認したい。
The choice of visual representation is key to scaling generalist robot policies. However, direct evaluation via policy rollouts is expensive, even in simulation.
フロンティア基準（キュレーション）
1. Bringing a frontier world model to the convenience store: Telexistence’s DreamZero experiment on AWS
- 軸: シミュレーションと評価（sim2real / 閉ループ） ｜ 根拠:
[O]｜ 出典: AWS Physical AI Blog ｜2026-09-09 - 主要数値:
14B world action model·best closed-loop 45%·real-data-trained run 0% in sim·MSE -55.6% from 1k to 2k steps·~583 ms/step on 8xB200·curation flagged 39.3% vs human 49.7% - シグナル:
定量結果あり - 重要な理由: 「最前線のモデルが自社ロボットに適するか」を測定可能な数値に変え、実データを模擬環境で評価した際の0%も正直に記録。ドメイン差の診断自体が成果物。
2. XPENG commissions its humanoid production lines; IRON walks off the line autonomously
- 軸: ハードウェアとサプライチェーン（機体 / コスト） ｜ 根拠:
[O]｜ 出典: PR Newswire ｜2026-09-08 - 主要数値:
>80% of core processes automated (reported)·target 1,000+ units/month by year-end (reported) - 重要な理由: 生産ライン稼働は検証可能な事実、月産目標は報道ベース。両者を分けて引用することが、今期最も指摘されやすい論点。
3. Dyna Robotics announces DYNA-2 world action model trained on 1M+ hours of human data (vendor claim)
- 軸: データエンジン（収集 / 精査 / スケーリング） ｜ 根拠:
[M]｜ 出典: PR Newswire ｜2026-08-10 - 主要数値:
1M+ hours (~170 years of waking experience)·claimed first human-to-robot scaling law·claimed 20% -> 80-90% on high-precision manufacturing from pretraining scale alone - 重要な理由: ベンダー自己報告だが学術側と方向性は一致。人間データのスケーリング則が成立すれば、データの堀は機群規模から収集・精査の仕組みへ移る。
4. HumanEgo: zero-shot robot learning from minutes of human egocentric video
- 軸: データエンジン（収集 / 精査 / スケーリング） ｜ 根拠:
[R]｜ 出典: arXiv 2605.24934 ｜2026 - 主要数値:
30 min/task -> 92.5% average success on 4 real tasks·15 min -> 75%·+41% over matched-time teleoperation - 重要な理由: 新規タスクあたりのデータコストを分単位まで下げる。データ戦略の遅れを測る最も直接的な基準。
5. Fine-tuning π0 for robotic manipulation on Amazon SageMaker HyperPod EKS
- 軸: 学習と自己改善（RL / 事後学習） ｜ 根拠:
[O]｜ 出典: AWS Physical AI Blog ｜2026-09-10 - 主要数値:
MSE -89.7% (DROID)·MSE -88.9% (LIBERO)·8xH100, 20k steps, 6h15m·50-step chunk <200 ms at 1 ODE step·checkpoint ~45 GB - シグナル:
定量結果あり - 重要な理由: 同じ作業の初期版は評価と学習のエピソードが重複し約96%と報告。分割を厳格化して約89%になった。2026年で最も引用価値のある評価規律の事例。
6. NVIDIA Cosmos 3: physical reasoning, world generation and action generation in one open model
- 軸: 基盤モデル（VLA / WAM） ｜ 根拠:
[O]｜ 出典: NVIDIA Technical Blog ｜2026-08 - 主要数値:
single open model·Nano / Super / Edge variants - 重要な理由: 物理推論・世界生成・行動生成を単一のオープンモデルに統合し、「想像」と「行動」が別スタックでなくなる。
軸ごとの分布 (直近 7 日の採択)
| 軸 | # |
|---|---|
| 基盤モデル（VLA / WAM） | 4 |
| データエンジン（収集 / 精査 / スケーリング） | 4 |
| 学習と自己改善（RL / 事後学習） | 5 |
| シミュレーションと評価（sim2real / 閉ループ） | 11 |
| エッジとリアルタイム（オンデバイス推論 / 制御周期） | 5 |
| 安全・権限・コンプライアンス | 1 |
| システムとオーケストレーション（長期タスク / 複数方策） | 4 |
| ハードウェアとサプライチェーン（機体 / コスト） | 10 |
直近の推移
- 出典構成 (直近 7 日の採択):
[O]9 ·[R]21 ·[M]14 - 最近の各回の採択件数: 09-23 6 · 09-24 2 · 09-25 8 · 09-26 8 · 09-27 8 · 09-28 4 · 09-29 8
標準・規制ウォッチ
- ISO 25785-1 — Safety requirements for dynamically stable industrial mobile robots — Under development; committee-stage as of 2026-09.
- Regulation (EU) 2023/1230 (Machinery Regulation) — Fully applicable 2027-01-20.
- EU AI Act official timeline (Council of the EU) — High-risk deadlines 2027-12-02 / 2028-08-02 per Digital Omnibus.
本ページの項目別分析は radar-analyst（claude-opus-5.5）が下書きし、決定的な検査とエージェント査読を経て自動的に取り込まれました。人間の確認は経ていません。タイトルと数値は改変していません。
本リポジトリは技術観察であり、投資助言・製品保証・安全認証の結論ではありません。論文の主張は著者による自己報告です。