Physical AI フロンティア・レーダー · 2026-09-30

言語：ZH · EN · 日本語

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: 2026-09-29 23:40 UTC
• 対象期間: 論文 2026-09-26 → 2026-09-30 · ブログ・報道 2026-08-31 → 2026-09-30 · 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. EdgeVLN: Runtime-Aware Deployment Ready Quantized Vision Language Navigation Model

• 軸: エッジとリアルタイム（オンデバイス推論 / 制御周期） ｜ 根拠: [R] ｜ 出典: arXiv 2609.35570 ｜ 2026-09-28
• 主要数値: 16 GB (“NVIDIA Jetson Orin NX 16 GB”) · 11.35 GB (“using 11.35 GB resident memory while”)
• シグナル: 定量結果あり · 閉ループ成功率あり · 実機実験あり · 遅延・制御周期の数値あり
• 重要な理由 AI 下書き: Jetson Orin NX 16 GB のようなメモリ・電力制約のあるエッジ機に視覚言語ナビゲーションを載せる検討では、著者申告の常駐メモリ 11.35 GB がメモリ予算の目安になる。プレプリントの自己申告なので、機材選定前に自前のスタックで実測を。

Vision-language navigation (VLN) models perform well but target compute-rich platforms, limiting deployment on memory- and power-constrained robotic edge devices.

2. ActionUNet: Improving Robustness of VLA Models with Efficient Multi-scale Fine-tuning

• 軸: 基盤モデル（VLA / WAM） ｜ 根拠: [R] ｜ 出典: arXiv 2609.34982 ｜ 2026-09-28
• 主要数値: 9.8% (“success rates by absolute 9.8%”) · 6.1% · 11.4% (“and 11.4%”)
• シグナル: 定量結果あり · 閉ループ成功率あり · 実機実験あり · コードまたは重み公開
• 重要な理由 AI 下書き: 既存 VLA の操作方策を再学習ではなくファインチューニングで頑健にしたいなら、成功率が絶対値で 9.8% 動いたという自己申告があり、コードまたは重みの公開も示されている。採用前にまず自分のタスクで手軽に再現を試す価値がある。

Vision-Language-Action (VLA) models have shown great promise for robotic manipulation by mapping multi-modal semantics to physical actions.

3. F4R: Failure-Driven Recognition, Reconstruction, Refinement, and Redeployment for Continual Robot Self-Improvement

• 軸: シミュレーションと評価（sim2real / 閉ループ） ｜ 根拠: [R] ｜ 出典: arXiv 2609.35575 ｜ 2026-09-28
• 主要数値: 93.75% (“show that F4R achieves 93.75% In-Distribution and 90.0%”) · 90.0% (“achieves 93.75% In-Distribution and 90.0% Out-of-Distribution (OOD) success”)
• シグナル: 定量結果あり · 閉ループ成功率あり · 実機実験あり
• 重要な理由 AI 下書き: 専門家デモの網羅性が足りないとき、デモを積み増す代わりに失敗から学んで再配備するループが選択肢になる。著者は分布内 93.75%、分布外 90.0% の成功率を自己申告しており差は小さいが、計画に織り込む前に検証が要る。

The real-world performance of current vision-language-action models is fundamentally constrained by the limited coverage of expert demonstrations and their insufficient understanding of physical interactions.

4. Rethinking Causal Action Tokenization with Conditional Annealing in Flow Matching

• 軸: 基盤モデル（VLA / WAM） ｜ 根拠: [R] ｜ 出典: arXiv 2609.35469 ｜ 2026-09-28
• シグナル: 閉ループ成功率あり · 実機実験あり
• 重要な理由 AI 下書き: 自己回帰型 VLA を使うチームは、行動トークナイザを単なる圧縮工程ではなく設計上の選択肢として扱うべきだと著者は主張する。ただし本ページに数値はなく、現時点でトークナイザ変更の根拠にはならない。

Autoregressive Vision-Language-Action (VLA) models offer a scalable path to robot learning, yet existing action tokenizers treat tokenization as a compression problem, producing representations that are semantically misaligned with the…

5. RAVEL: Asynchronous Rolling Inference for Flow-Based Vision-Language-Action Models

• 軸: エッジとリアルタイム（オンデバイス推論 / 制御周期） ｜ 根拠: [R] ｜ 出典: arXiv 2609.34170 ｜ 2026-09-28
• シグナル: 閉ループ成功率あり · 実機実験あり · 遅延・制御周期の数値あり
• 重要な理由 AI 下書き: フロー型 VLA の遅さが高コストな VLM エンコードと多段の反復的な行動生成に起因するなら、非同期推論は追う価値のある方向だ。ただし本ページに具体的な数値はなく、制御ループの予算見積もりにはまだ使えない。

Flow-based vision-language-action (VLA) models are highly effective for generalist robot manipulation, yet their reliance on computationally expensive VLM encoding and multi-step iterative action generation imposes a significant latency…

6. ForceN to give a crash course on force and torque sensing for humanoids at RoboBusiness

• 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: The Robot Report ｜ 2026-09-29
• 重要な理由 AI 下書き: ヒューマノイド開発では、力覚・トルクセンサの使いどころと破損をどう防ぐかは設計段階で詰めるべき論点だ。本記事は講演の二次的な告知で製品データはなく、根拠ではなく点検項目のきっかけとして扱いたい。

Attendees will learn about the many ways they can use force and torque sensors in humanoids and how to avoid breaking them while doing it.

7. Meet Flourish One, the Raspberry Pi-powered humanoid built for busy parents

• 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: The Robot Report ｜ 2026-09-29
• 重要な理由 AI 下書き: $3,555 の家庭用ロボットが、スマートフォンでの教示とクラウド学習による家事自動化を前提とするなら、利用者は通信への依存も信頼性の一部として見る必要がある。発表を伝える二次報道で、出荷状況は一次情報での確認が要る。

Flourish is releasing a $3,555 phone-trainable home robot, targeting busy parents with personalized, cloud-trained chore automation.

8. 动易科技刘晨澔：人形机器人羽毛球对拉 40 拍背后的分层革命 | IROS 2026

• 軸: シミュレーションと評価（sim2real / 閉ループ） ｜ 根拠: [M] ｜ 出典: 雷峰网 Leiphone ｜ 2026-09-29
• 重要な理由 AI 下書き: ヒューマノイドの高ダイナミック運動が産業レベルに進んだと紹介されているが、学会取材の二次報道で、本ページには手法の詳細も評価データもない。運動制御の方式選定に使うのは一次資料を待ってからにしたい。

顶会上的人形机器人高动态运动场景的最新工业级进展。羽毛球大概是所有球类里最“不讲道理”的项目。

フロンティア基準（キュレーション）

1. 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。

2. Egocentric human video can outperform real-robot data for embodied pretraining

• 軸: データエンジン（収集 / 精査 / スケーリング） ｜ 根拠: [R] ｜ 出典: arXiv 2606.20521 ｜ 2026
• 主要数値: -24% validation loss at equal data · +52.5% in-distribution success · +90% out-of-distribution success
• 重要な理由: 機群を持たないチームでもデータ優位を築ける。機群があっても精査と判定の仕組みがなければ、データは保管コストにすぎない。

3. EgoScale: scaling dexterous manipulation with diverse egocentric human data

• 軸: データエンジン（収集 / 精査 / スケーリング） ｜ 根拠: [R] ｜ 出典: arXiv 2602.16710 ｜ 2026
• 主要数値: 44k hours of egocentric video · +54% average success vs no-pretraining on a 22-DoF hand · transfers to lower-DoF hands
• 重要な理由: 大規模な人間の動作が再利用可能で機体非依存のモータープライアであると示され、巧緻ハンドはゼロから学ばなくてよい。

4. Post-train NVIDIA Cosmos 3 Edge for on-device robot control

• 軸: エッジとリアルタイム（オンデバイス推論 / 制御周期） ｜ 根拠: [O] ｜ 出典: NVIDIA Technical Blog ｜ 2026-08
• 主要数値: 4B omni-model · 2B Nemotron reasoner · runs on Jetson Thor · receding-horizon control loop
• シグナル: 閉ループ成功率あり · コードまたは重み公開
• 重要な理由: 世界モデルをオンデバイスで動かす最初の再現可能な道筋：事後学習してThorで提供し、閉ループで評価。コードと重みも公開。

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. SHIELD: safety on humanoids via control barrier functions in expectation on learned dynamics

• 軸: 安全・権限・コンプライアンス ｜ 根拠: [R] ｜ 出典: arXiv 2505.11494 ｜ 2026
• 主要数値: runtime constraint specification · no retraining when constraints change
• 重要な理由: 「制約変更に再学習不要」を可能にする。ローカルな権限ゲートの学術的な対応物。

軸ごとの分布 (直近 7 日の採択)

直近の推移

• 出典構成 (直近 7 日の採択): [O] 5 · [R] 26 · [M] 15
• 最近の各回の採択件数: 09-24 2 · 09-25 8 · 09-26 8 · 09-27 8 · 09-28 4 · 09-29 8 · 09-30 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。

方法論 · 週間まとめ · アーカイブ