すべての人に一次情報を
研究の要旨 人間は腕や胴体、肩など身体全体を使って大きくて重い物体を抱えたり、こすりつけて位置をずらしたりできる。一方で多くのヒューマノイドロボットによる巧緻（こうち）な操作は、エンドエフェクタ（手先）や単純な把持に限られており、こうした“全身を使った”扱いは十分に実現されていな
ドローン（UAV）が人や車の近くを飛ぶとき、単に「そこに物がある」という幾何学的な情報だけでは不十分だ。歩行者に対してはより大きな余裕を取り、駐車車両や壁とは異なる扱いが求められる──しかし従来の知覚・経路計画スタックは多くの場合、それらを単なる占有領域として扱ってしまう。本論文
概要 軌道上では太陽光の当たり方が急速に、かつ大きく変化し、日食や自己陰影、材質による鏡面反射といった現象が発生します。これらは検査画像の情報量を著しく損ない、幾何学的に見えている（line‑of‑sight）ことと、実際に撮影して有用な情報が得られることは同義ではない、という問
機械に“触る感覚”を持たせると、より繊細な物の扱いが得意になるか──そんな問いに取り組んだ研究が、arXivに投稿された「Spark‑0: Scaling Spatially Aligned Tactile Pretraining for Robot Dexterous Mani
視覚と言語を入力にして行動を出力するロボット制御モデル（Vision–Language–Action, VLA）は、通常「どの行動をとるか」を直接予測することを主目的として学習されます。しかし、最近の研究では、視覚の将来像や視覚変化の「潜在的な行動表現」を予測する補助目的が、ポリ
マイクロ飛行体（MAV）など、電力に厳しい自律機の視覚航法に「ニューロモルフィック（神経模倣）技術」を適用する研究が、arXivに提案されました（arXiv:2610.21978v1）。著者らは、生物の視覚が持つイベント駆動・疎・非同期といった特性を模したセンサとスパイキングニュ
研究概要 新しい論文「Dream to Remember（D2R）」は、既存の汎用ロボット方策（generalist policy）を凍結したまま、新しい課題を追加学習しつつも過去に獲得した技能を失わない方法を示しています。一般に模倣学習で得られた方策は、示範の質と幅に依存します
近年、拡散モデルは人や物体の軌道が取り得る多様なパターンを表現する手段として注目を集めています。しかし、そこから「どの程度不確かか」を素早くかつ信頼できる形で取り出すには、通常多数のサンプルを取るモンテカルロ法が必要で、ロボット制御のように即時の安全判断を要する場面では実用上の障
ロボットの学習行動を人のデモから学ぶ研究で、近年は拡散モデルやフローマッチングといった「生成」的な手法（Flow‑Policies）が、単純な平均二乗誤差（MSE）を使った直接回帰（MSE‑Policies）よりも性能が良いことが多く報告されてきました。従来この差はデモが多峰性（
ロボットの動作学習では、デモンストレーションから得た「フロー（flow）型ポリシー」が実践的な手法として広く使われています。しかし、実際のロボット性能をさらに高めたり、デモなしで一から学ばせたりするには強化学習（RL）が重要です。arXivに投稿されたプレプリント「QF3: Fa