フロンティア・レーダー｜Forward Dynamics Models：未来予測が動作特徴を読み、動作は未来を読まない――推論時は未来生成を省略する
FDM は未来予測だけが動作特徴を読み、動作は未来を読まない設計で、推論時は未来生成を省略。著者報告で LIBERO 平均 99.4%、実機 96%（π0.5 は 83%）。
カテゴリー フロンティア・レーダー
身体性AIとロボット学習の新しい論文・リリースを厳選し、結果が示すことと示さないことを整理します。
フロンティア・レーダー｜RoboAware：同じ状態から分岐させた反事実の結果をもとに、各スキル段階をモジュール合成と end-to-end 方策のどちらに任せるかを学ぶ
同じ状態から 2 系統を実行した結果で、各スキル段階をモジュール合成と E2E 方策のどちらに任せるかを学習。シミュレーションのみ、著者報告で総合 77.0%。
フロンティア・レーダー｜LiteNWM：1 回の符号化で 16 本の候補と現行軌道の結果を潜在空間で同時予測し、候補ごとの RGB 生成をやめる
凍結 NoMaD の候補 16 本と現行軌道を潜在空間で同時予測して採点。著者報告で NoMaD+NWM-XL 比の誤差 17.56% 減、RTX 5090 で 128 倍高速。
フロンティア・レーダー｜Being-M0.7：映像だけ・動作だけの人間データを、3 段階の学習とゲート付き接続で人型ロボットの全身制御につなぐ
人の映像と動作 1 万時間超で事前学習し G1 に適応。著者報告で SIMPLE 128/180、実機 13/15（GR00T-N1.6 と同等）。
フロンティア・レーダー｜RESETTLE：凍結した方策の 2 つの動作サンプルが食い違い続けたときだけ介入し、デモを参照して補正動作を 1 回だけ実行する
凍結方策の 2 つのサンプルが続けて食い違うと、RESETTLE はデモを参照して 1 回だけ補正。著者報告で LIBERO-Plus の FastWAM は 49.3%→58.0%。
フロンティア・レーダー｜HWAM：人型ロボットの参照動作は実際の動きと一致しない――実行後の身体状態を動作と同時に生成する
HWAM は人型ロボットの参照動作と実行後の身体状態を同時に生成。著者報告で実機の Candy Picking 成功率は 70.6%、Fast-WAM は 43.3%。
フロンティア・レーダー｜Is Success All You Need?：成功率が同程度の 2 つの VLA でも、成功軌道は大きく違いうる
LIBERO-Spatial のカメラ摂動で π0.5 と VLANeXt の成功率は 69.7%・68.0%。著者報告で成功軌道の jerk は 24.1% 増と 3.2% 増。
フロンティア・レーダー｜ReCo：まず歩行方策の指令応答を予測可能にし、MPC で四脚ロボットの胴体とアームを協調させる
ReCo は歩行方策の指令応答を再現可能にし、同定モデルで MPC が胴体とアームを同時計画。著者報告で RMSE は 28.7%・27.4% 減、成功 75/100。
フロンティア・レーダー｜Token-World：VLM の token 空間で世界モデルを展開し、RGB 再構成なしで VLA 方策をシミュレーションする
Token-World は VLM token を 16 チャネルに圧縮し RGB なしで予測。著者報告の相関は 0.794（Ctrl-World 0.583）。
フロンティア・レーダー｜DSDyn-VLA：対象が動くとき、VLA が埋めるべき知覚・レイテンシ・制御の 3 つのギャップ
DSDyn-VLA は約 2–3 Hz のフロー計画と約 30 Hz の残差 RL を併用。著者報告の実機平均成功率は 49.0%（π0.5 は 8.4%、DynamicVLA は 38.1%）。
フロンティア・レーダー｜NVIDIA Cosmos 3 on AWS：1 回のフォワードパスで推論・動画・行動を出力、インスタンス選定に付いた検証条件
AWS の Cosmos 3：Nano/Super の完全なチェックポイントは BF16 でテスト。H100 8 GPU SFT は NVIDIA テスト済み。ベンチマーク値なし。
フロンティア・レーダー｜F4R：実機の失敗をシミュレーションの学習環境に再構築し、診断・再構築・改善・再展開のループを回す
F4R は VLM エージェントで実機の失敗を診断し、シミュレーションで再構築して学習。著者報告で OOD 成功率 90.0%、Targeted BC 比 +18.75 pt。