Physical AI フロンティア・レーダー · 2026-10-07
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:
2026-10-07 07:19 UTC - 対象期間:
論文 2026-10-03 → 2026-10-07 · ブログ・報道 2026-09-07 → 2026-10-07 · 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. Demo: Closed-Loop Sionna-Isaac Sim Co-Simulation Framework for Wireless-Aware Robot Navigation over ROS 2
- 軸: シミュレーションと評価（sim2real / 閉ループ） ｜ 根拠:
[R]｜ 出典: arXiv 2610.08618 ｜2026-10-06 - 主要数値:
16ms(“is refreshed in ~ 16ms (~60 Hz)”) ·60 Hz(“refreshed in ~16ms (~ 60 Hz )”) ·7.4%(“outage at only + 7.4% traversal time over”) - 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: 査読前のプレプリント。本文に実機での結果の記載なし。シミュレーション結果が実機性能をどこまで予測できるかに注目。
A robot that offloads its control loop to the network carries the receiver with it, so link quality is decided by where it goes.
2. StairVLA: Stage-Aware Hierarchical Action Generation for Vision-Language-Action Models
- 軸: シミュレーションと評価（sim2real / 閉ループ） ｜ 根拠:
[R]｜ 出典: arXiv 2610.07756 ｜2026-10-06 - 主要数値:
96.5%(“improves average success from 96.5% to 97.8% while”) ·97.8%(“success from 96.5% to 97.8% while reducing amortized”) ·115.0 ms(“amortized inference latency from 115.0 ms to 44.2 ms”) ·44.2 ms(“from 115.0 ms to 44.2 ms per action chunk”) - 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: 査読前のプレプリント。本文に実機での結果の記載なし。シミュレーション結果が実機性能をどこまで予測できるかに注目。
Vision-language-action (VLA) models increasingly rely on diffusion- or flow-matching-based action heads to generate continuous robot actions.
3. ESP: Energy-Score Policy for One-Step Multimodal Action Generation
- 軸: 基盤モデル（VLA / WAM） ｜ 根拠:
[R]｜ 出典: arXiv 2610.07696 ｜2026-10-06 - 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: 査読前のプレプリント。本文に定量データの記載なし。新しいタスクや機体に必要なデータが減るかに注目。
Generative action models based on diffusion and flow matching have been increasingly adopted in vision-language-action (VLA) policies for their ability to capture diverse behaviors, including multiple valid action sequences under the same…
4. Adapting Vision-Language-Action Models to Unknown Visual Disruptions During Execution
- 軸: 基盤モデル（VLA / WAM） ｜ 根拠:
[R]｜ 出典: arXiv 2610.07946 ｜2026-10-06 - 主要数値:
43.9%(“persistent visual corruptions from 43.9% to 53.2% with”) ·53.2%(“corruptions from 43.9% to 53.2% with SmolVLA and”) ·58.7%(“with SmolVLA and from 58.7% to 66.0% with”) ·66.0%(“and from 58.7% to 66.0% with GR00T N1.7”) - シグナル:
定量結果あり·実機実験あり - 重要な理由: 査読前のプレプリント。本文に閉ループ評価の結果の記載なし。新しいタスクや機体に必要なデータが減るかに注目。
Visual disruptions can arise while a robot is executing a task, leaving a vision-language-action (VLA) policy to respond without knowing the disruption type or timing.
5. LightVLN: Efficient Aerial Vision-and-Language Navigation with Compact Memory and History-Guided Local Aggregation
- 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 2610.05024 ｜2026-10-04 - 主要数値:
50.93%(“LightVLN achieves 50.93% Test-Seen and 36.14%”) ·36.14%(“achieves 50.93% Test-Seen and 36.14% Test-Unseen success rates”) ·25.83%(“It also achieves 25.83% SR on AerialVLN-S”) ·16 GB(“external Jetson Orin NX 16 GB for closed-loop onboard-compute”) - 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: 査読前のプレプリント。本文に実機での結果の記載なし。目標ハードウェアと実際の制御周期で高速化が保たれるかに注目。
Aerial vision-and-language navigation (VLN) enables unmanned aerial vehicles to execute long-horizon natural-language instructions from visual observations in complex three-dimensional environments.
6. ActTune: Action-Aware Precision and GPU Operating-Point Adaptation for Energy-Efficient Vision-Language-Action Inference
- 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 2610.08444 ｜2026-10-06 - シグナル:
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: 査読前のプレプリント。本文に実機での結果、定量データの記載なし。目標ハードウェアと実際の制御周期で高速化が保たれるかに注目。
Vision-language-action (VLA) policies repeatedly invoke inference to control robots, making graphics processing unit (GPU) energy a recurring cost of task execution.
7. ルネサスが低耐圧GaNデバイス市場に参入、業界トップクラスの性能指数を実現
- 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: MONOist (ITmedia) ｜2026-10-07 - 重要な理由: 二次報道のため、引用前に一次情報の確認を推奨。本文に定量データの記載なし。価格、供給状況、量産出荷の主体に注目。
ルネサス エレクトロニクスは、同社初となる100V耐圧のEモードGaNパワートランジスタ製品群を発売した。AIデータセンターやヒューマノイドロボットなど向けに、超高速スイッチングと優れた放熱性能を実現する。
8. Boston Dynamics appoints former Amazon exec Rohit Prasad as new CEO
- 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 ｜2026-10-06 - 重要な理由: 二次報道のため、引用前に一次情報の確認を推奨。本文に定量データの記載なし。価格、供給状況、量産出荷の主体に注目。
Before Boston Dynamics, Prasad served as senior vice president and head scientist for Alexa and artificial general intelligence at Amazon.
フロンティア基準（キュレーション）
1. 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。
2. 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。
3. RoboTTT: context scaling for robot policies via test-time training
- 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 2607.15275 (NVIDIA) ｜2026-07-16 - 主要数値:
8K timestep visuomotor context·3 orders of magnitude beyond prior policies·no inference-latency growth - シグナル:
遅延・制御周期の数値あり - 重要な理由: 遅延を増やさず長い文脈を方策に導入。ワンショット模倣と実行中の改善を同一の推論で扱える。
4. Regulation (EU) 2023/1230 becomes fully applicable
- 軸: 安全・権限・コンプライアンス ｜ 根拠:
[O]｜ 出典: EUR-Lex / TUV SUD ｜2027-01-20 - 主要数値:
fully applicable 2027-01-20·replaces Directive 2006/42/EC - 重要な理由: プロジェクト計画にそのまま書ける確定日。以後、非適合機械はEU市場に投入できない。
5. ISO 25785-1 (under development): safety for dynamically stable industrial mobile robots
- 軸: 安全・権限・コンプライアンス ｜ 根拠:
[O]｜ 出典: ISO ｜2026 - 主要数値:
committee stage as of 2026-09·covers legged / self-balancing robots - 重要な理由: ヒューマノイドはISO 10218の固定ベース前提を崩す。専用規格が整うまで安全はアーキテクチャと実行時保証に依存する。
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)
| 軸 | # |
|---|---|
| 基盤モデル（VLA / WAM） | 11 |
| データエンジン（収集 / 精査 / スケーリング） | 2 |
| 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） | 13 |
| エッジとリアルタイム（オンデバイス推論 / 制御周期） | 10 |
| 安全・権限・コンプライアンス | 4 |
| システムとオーケストレーション（長期タスク / 複数方策） | 5 |
| ハードウェアとサプライチェーン（機体 / コスト） | 6 |
直近の推移
- 出典構成 (直近 7 日の採択):
[O]1 ·[R]40 ·[M]15 - 最近の各回の採択件数: 10-01 8 · 10-02 8 · 10-03 8 · 10-04 8 · 10-05 8 · 10-06 8 · 10-07 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。