Physical AI フロンティア・レーダー · 2026-10-11
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:
2026-10-10 23:40 UTC - 対象期間:
論文 2026-10-07 → 2026-10-11 · ブログ・報道 2026-09-11 → 2026-10-11 · 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. RESETTLE: Robotic Recovery through Disagreement-Triggered Retrieval and Efficient Corrective Control
- 軸: シミュレーションと評価（sim2real / 閉ループ） ｜ 根拠:
[R]｜ 出典: arXiv 2610.12185 ｜2026-10-08 - 主要数値:
8.70%(“RESETTLE achieves up to 8.70%”) ·6.28%·6.83%(“and 6.83% absolute success-rate gains”) ·74.04%(“monitoring-and-recovery computation latency is 74.04% –93.57% lower than”) - シグナル:
定量結果あり·実機実験あり·コードまたは重み公開·遅延・制御周期の数値あり - 重要な理由
AI 下書き: 実行エラー後の即時修正が手薄なマニピュレーション系なら検討対象。自己報告のプレプリントで成功率は最大 8.70% 向上、監視・回復の計算遅延も低いとするが、比較対象はページに明記されておらず原文確認が必要。
Reliable robotic manipulation requires timely intervention to correct emerging deviations and restore progress after execution errors.
2. Being-M0.7: A Latent World-Action Model for Humanoid Robots
- 軸: ハードウェアとサプライチェーン（機体 / コスト） ｜ 根拠:
[R]｜ 出典: arXiv 2610.11283 ｜2026-10-08 - 主要数値:
10,000 hours(“corpus from more than 10,000 hours of raw human-centric”) - 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: ロボットのデモ不足に悩むヒューマノイドの移動マニピュレーション開発では、10,000 hours 超の人間中心の生データから出発する方針が参考になる。結果は著者の自己報告で、自社機体への移行は自前の検証が要る。
Humanoid loco-manipulation requires coordinated locomotion and manipulation informed by future scene evolution and whole-body motion, yet learning these capabilities is constrained by scarce robot demonstrations.
3. Residual Modeling Closes the Regression and Generative Policy Gap in Robot Learning
- 軸: シミュレーションと評価（sim2real / 閉ループ） ｜ 根拠:
[R]｜ 出典: arXiv 2610.12231 ｜2026-10-08 - 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: 拡散・フローマッチング方策と MSE 回帰のどちらを採るか検討中なら一読の価値あり。閉ループ・実機実験を報告するが、ページに数値はなく、現行の方策構成を切り替える根拠としてはまだ弱い。
Learning from demonstration has enabled impressive robot behaviors. A common choice for policy learning is to use diffusion or flow matching (Flow-Policies), which often outperforms direct action regression trained with mean squared error…
4. ARC: A Reasoning Recipe for Robot Foundation Models
- 軸: 基盤モデル（VLA / WAM） ｜ 根拠:
[R]｜ 出典: arXiv 2610.12386 ｜2026-10-08 - 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: 大規模化・デモ追加・高コスト学習でロボット基盤モデルを伸ばす計画なら、推論を軸にした代替案として比較検討の対象に。自己報告のプレプリントで閉ループと実機のシグナルはあるが、投資判断に使える数値はページにない。
The prevailing approach to improving robot foundation models (RFMs) relies on larger models, more robot demonstrations, and costly training at scale.
5. SkillWeave: Weaving Heterogeneous Demonstrations into Long-Horizon Manipulation Skills
- 軸: データエンジン（収集 / 精査 / スケーリング） ｜ 根拠:
[R]｜ 出典: arXiv 2610.12046 ｜2026-10-08 - 主要数値:
27%(“SkillWeave achieves 27% average end-to-end success”) ·65%(“to an average of 65%”) ·87%(“average composition efficiency of 87%”) - 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: 巧緻操作のデモで長期のタスク進行と接触の多い操作を両立させたいなら参考に。プレプリントは平均エンドツーエンド成功率 27%、合成効率 87% と自己報告しており、成功率はまだ低いため収集方針を変える前に再現を。
Dexterous manipulation requires both large-scale task progression and precise contact-rich interaction, making it challenging to collect demonstrations that effectively support both regimes.
6. FAITH: Feasibility-Aware Safety-Filtered RL for High-Dimensional Systems
- 軸: 安全・権限・コンプライアンス ｜ 根拠:
[R]｜ 出典: arXiv 2610.12432 ｜2026-10-08 - 主要数値:
99.95%(“it reaches a 99.95% safety rate while”) ·97%(“safety rate while retaining 97% of the unfiltered”) - シグナル:
定量結果あり·実機実験あり - 重要な理由
AI 下書き: 安全性とタスク性能を同じ目的関数に入れて更新が競合している安全強化学習なら注目。安全率 99.95%、フィルタなしの 97% を維持と報告するが著者の自己報告であり、安全率そのものは認証の根拠にならない。
Safe reinforcement learning commonly places safety and task performance in the same policy objective, where they can introduce competing updates.
7. Rewiring Semantics, Dynamics, and Control: A Simple yet Effective Action-Centric Tri-Stream Transformer
- 軸: 基盤モデル（VLA / WAM） ｜ 根拠:
[R]｜ 出典: arXiv 2610.11416 ｜2026-10-08 - シグナル:
実機実験あり - 重要な理由
AI 下書き: 事前学習済み VLM の意味理解に依拠する VLA に対し、行動中心の構成を提案し実機実験も報告するプレプリント。ページに数値がないため、現時点ではモデル構成を変える根拠ではなく追跡対象。
Vision-Language-Action (VLA) models have emerged as a prominent framework for complex robotic manipulation, building on the strong semantic understanding of pretrained Vision-Language Models (VLMs).
8. Why humanoid robot demos still fail the generalization test
- 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 ｜2026-10-09 - シグナル:
実機実験あり - 重要な理由
AI 下書き: ヒューマノイドのデモを評価する際の視点として、デモから信頼できる実環境性能へ進むにはより良いデータと人の判断が要ると論じる二次報道。数値はないため、根拠ではなく調達時の質問づくりに使うのが妥当。
How better data and human judgment can help robots move beyond demos toward reliable real-world performance.
フロンティア基準（キュレーション）
1. PL-CBF: finite-horizon safety at runtime via parallel fallback rollouts
- 軸: 安全・権限・コンプライアンス ｜ 根拠:
[R]｜ 出典: arXiv 2605.16588 ｜2026 - 主要数値:
library of fallback policies·least-invasive safe mode·QP minimally modifies the nominal policy - 重要な理由: 「最小侵襲のフォールバック」は顧客の受入基準にそのまま書ける。「安全です」より具体的。
2. RD-VLA: implicit test-time compute scaling via latent iterative reasoning
- 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 2602.07845 ｜2026 - 主要数値:
constant memory regardless of reasoning depth·up to 80x inference speedup vs token-based reasoning VLAs - シグナル:
遅延・制御周期の数値あり - 重要な理由: トークン遅延を払わずに「長く考える」ことが可能になり、推論時計算を制御ループへ持ち込む鍵となる。
3. 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。
4. GR00T N1.7: open reasoning VLA model for humanoid robots
- 軸: 基盤モデル（VLA / WAM） ｜ 根拠:
[O]｜ 出典: NVIDIA / Hugging Face ｜2026 - 主要数値:
3B parameters·open weights - 重要な理由: 3B級のオープンな推論VLAにより、社内チームは基盤モデルを自作せずに微調整・配備を始められる。
5. RoboWorld: fast and reliable neural simulators for generalist robot policy evaluation
- 軸: シミュレーションと評価（sim2real / 閉ループ） ｜ 根拠:
[R]｜ 出典: arXiv 2607.01060 ｜2026 - 主要数値:
closed-loop rollouts in a video world model·VLM judge·rankings strongly correlated with real-world eval - 重要な理由: 世界モデル内の順位が実機の順位と一致すれば、評価予算は人手からGPU時間へ移る。ただし実機の抜き取り検査は省けない。
6. NVIDIA Jetson Thor: up to 2070 FP4 TFLOPS and 128 GB at 40-130 W
- 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 ｜2026 - 主要数値:
7.5x AI compute vs Orin·3.5x energy efficiency vs AGX Orin·Jetson T2000: 400 FP4 TFLOPS / 16 GB - 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: オンデバイス計算の世代交代が世界モデルと推論時計算の余地を生むが、実時間予算は個別に実測が必要。
軸ごとの分布 (直近 7 日の採択)
| 軸 | # |
|---|---|
| 基盤モデル（VLA / WAM） | 12 |
| データエンジン（収集 / 精査 / スケーリング） | 5 |
| 学習と自己改善（RL / 事後学習） | 4 |
| シミュレーションと評価（sim2real / 閉ループ） | 14 |
| エッジとリアルタイム（オンデバイス推論 / 制御周期） | 6 |
| 安全・権限・コンプライアンス | 2 |
| システムとオーケストレーション（長期タスク / 複数方策） | 3 |
| 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]0 ·[R]39 ·[M]17 - 最近の各回の採択件数: 10-05 8 · 10-06 8 · 10-07 8 · 10-08 8 · 10-09 8 · 10-10 8 · 10-11 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。