Physical AI フロンティア・レーダー · 2026-10-12
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:
2026-10-11 23:40 UTC - 対象期間:
論文 2026-10-08 → 2026-10-12 · ブログ・報道 2026-09-12 → 2026-10-12 · 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. LiteNWM: Efficient Latent World Models for Onboard Visual Navigation in the Wild
- 軸: シミュレーションと評価（sim2real / 閉ループ） ｜ 根拠:
[R]｜ 出典: arXiv 2610.12368 ｜2026-10-08 - 主要数値:
17.56%(“macro-averaged trajectory error by 17.56% relative to NoMaD+NWM-XL”) ·16.2%(“macro-averaged trajectory error by 16.2%”) ·43.3%(“improves navigation success from 43.3% to 83.3% relative”) ·83.3%(“success from 43.3% to 83.3% relative to NoMaD”) - 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: 軌道を生成するだけで結果を評価しない視覚ナビゲーション方策を使っているなら検討対象。NoMaD 比でナビゲーション成功率が 43.3% から 83.3% に上がり、実機・閉ループのシグナルもあるが、自己報告の数値なので自社環境での再試験が前提。
Direct visual navigation policies generate trajectories efficiently but do not explicitly evaluate their future consequences.
2. RoboAware: Learning to Coordinate Embodied Skills from Counterfactual Outcomes
- 軸: シミュレーションと評価（sim2real / 閉ループ） ｜ 根拠:
[R]｜ 出典: arXiv 2610.11480 ｜2026-10-08 - 主要数値:
100 tasks(“Comprehensive single-episode evaluations on 100 tasks show that RoboAware”) ·77.0%(“that RoboAware reaches a 77.0% overall success rate”) ·90.0%(“with SOTA averages of 90.0% on RoboSuite”) ·73.8%(“73.8% on diverse LIBERO-Pro”) - シグナル:
定量結果あり·閉ループ成功率あり - 重要な理由
AI 下書き: コーディングエージェントでモジュール型スキルと凍結したエンドツーエンド方策を組み合わせる構成なら参考に。100 tasks で総合成功率 77.0% と報告するが、ページにあるのはベンチマーク結果のみで実機の裏付けは見えない。
Embodied coding agents can combine modular robot skills with frozen end-to-end policies, yet effective composition requires anticipating which policy family will succeed in the current physical state.
3. Generative Neural Retargeting for Human-to-Robot Dexterous 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 2610.12440 ｜2026-10-08 - シグナル:
閉ループ成功率あり - 重要な理由
AI 下書き: 人間のデモで巧緻操作を学ばせたいが機体差が壁になっているチームは追跡しておきたいプレプリント。閉ループのシグナルはあるもののページに数値はなく、収集計画を変える根拠にはまだならない。
Human demonstrations are a scalable data source for learning dexterous manipulation, but the embodiment gap prevents human motion from being executed directly on robots.
4. LeWAM: A JEPA World Action Model with Diffusion-Steering-Based MPC
- 軸: 基盤モデル（VLA / WAM） ｜ 根拠:
[R]｜ 出典: arXiv 2610.12407 ｜2026-10-08 - シグナル:
閉ループ成功率あり - 重要な理由
AI 下書き: 世界行動モデルを再構成ベースの表現の上に組んでいるなら、その表現がノイズと冗長な情報を含み下流の予測を難しくするという指摘は確認に値する。閉ループのシグナルはあるが数値はなく、表現を切り替える根拠には弱い。
World action models (WAMs) predict actions and future observations, typically from a reconstruction-based representation that carries noisy, redundant information which can complicate downstream predictions.
5. SpatialHarness: Test-Time Spatial Scaffolding for Fine Robotic Manipulation
- 軸: 学習と自己改善（RL / 事後学習） ｜ 根拠:
[R]｜ 出典: arXiv 2610.12457 ｜2026-10-08 - 主要数値:
26.7%(“including from 26.7% to 66.7% on”) ·66.7%(“including from 26.7% to 66.7% on plug insertion”) ·0%(“plug insertion and from 0% to 100% on”) ·100%(“and from 0% to 100% on Tower of”) - 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: 最先端のマルチモーダル基盤モデルで直接ロボットを制御し、精密操作で頭打ちになっているなら注目。プラグ挿入が 26.7% から 66.7% になったと実機シグナル付きで報告するが、個別タスクの自己報告であり汎化は未確認。
Frontier multimodal foundation models (e.g., GPT-6 Astra) have recently shown strong potential for direct robotic control, yet their performance on fine manipulation remains limited.
6. Real-Time Motion Planning with Dynamic Hazards: Classical vs. Learning-Based Methods
- 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 2610.12249 ｜2026-10-08 - 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
AI 下書き: 動的な危険場での動作計画に古典手法と学習手法のどちらを採るか決める際、統制比較を行ったこのプレプリントは判断材料になる。閉ループと遅延のシグナルはあるが数値がなく、実験条件を原文で確かめてから採用を。
We study real-time motion planning in dynamic hazard fields through a controlled comparison between classical planning and learning-based methods.
7. WAND: Learning Robust Navigation under Complex Wind Disturbances and Dense Obstacles for Quadrotors
- 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 2610.11809 ｜2026-10-08 - 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
AI 下書き: 強風で機体ダイナミクスが乱れ制御余裕が削られる中、障害物の多い環境を飛ぶクアッドロータの開発なら追う価値あり。閉ループと遅延のシグナルはあるがページに数値はなく、自機への適合は自前の試験が必要。
Robust navigation in cluttered environments remains a fundamental challenge for quadrotors, particularly when strong wind disturbances arise, which perturb vehicle dynamics, limit control authority, and substantially increase collision…
8. CSF: Contextual Safety Filtering for Motion Generators
- 軸: 安全・権限・コンプライアンス ｜ 根拠:
[R]｜ 出典: arXiv 2610.12467 ｜2026-10-08 - 主要数値:
90%(“rate by up to 90%”) ·100%(“while preserving 88-100% of benign motions”) - 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: テキスト条件付きの動作生成器で全身動作を出しているなら、同じ動作が物体にも人にも向き得る点が課題。ある比率を最大 90% 下げたと実機シグナル付きで報告するが、指標名はページに見えず、自己報告であり認証の根拠にはならない。
Text-conditioned motion generators produce trackable whole-body motion, but they have no notion of scene-dependent safety: the same action may target an object or a person.
フロンティア基準（キュレーション）
1. 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。
2. π*0.6 / Recap: a VLA that learns from experience via advantage-conditioned policies
- 軸: 学習と自己改善（RL / 事後学習） ｜ 根拠:
[R]｜ 出典: arXiv 2511.14759 ｜2026 - 主要数値:
RL from autonomous rollouts + human corrections·value function fine-tuned on online data - 重要な理由: 「配備＝学習」の方法論的基盤。利用するには、介入ログと成功判定を一級のデータにする運用が前提。
3. LeRobotDataset v3.0: a standardised, streamable format for robot learning data
- 軸: データエンジン（収集 / 精査 / スケーリング） ｜ 根拠:
[O]｜ 出典: Hugging Face ｜2026 - 主要数値:
Parquet + MP4 + relational metadata·multi-episode packing·native streaming for multi-TB datasets - 重要な理由: フォーマットはデータがLeRobot v3、アセットがOpenUSDへ収束。ワンステップで変換できるデータは、私有形式に閉じた同時間のデータより価値が高い。
4. Isaac Lab-Arena: reusable APIs to author, scale and analyse robot policy evaluations
- 軸: シミュレーションと評価（sim2real / 閉ループ） ｜ 根拠:
[O]｜ 出典: NVIDIA ｜2026 - 主要数値:
policy evaluation at scale·solver-agnostic - 重要な理由: 評価が単発スクリプトから再利用可能なパイプラインへ。「デモできる」を「回帰テストできる」に進める要の部品。
5. 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。
6. 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。
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） | 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） | 7 |
| 安全・権限・コンプライアンス | 3 |
| システムとオーケストレーション（長期タスク / 複数方策） | 2 |
| 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: 10-06 8 · 10-07 8 · 10-08 8 · 10-09 8 · 10-10 8 · 10-11 8 · 10-12 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。