論文の概要: FATE: Closed-Loop Feasibility-Aware Task Generation with Active Repair for Physically Grounded Robotic Curricula

• arxiv url: http://arxiv.org/abs/2603.01505v1
• Date: Mon, 02 Mar 2026 06:29:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:41.817218
• Title: FATE: Closed-Loop Feasibility-Aware Task Generation with Active Repair for Physically Grounded Robotic Curricula
• Title（参考訳）: FATE: 物理接地型ロボットキュリキュラの能動補修によるクローズド・ループ・ファシビリティ・アウェア・タスク生成
• Authors: Bingchuan Wei, Bingqi Huang, Jingheng Ma, Zeyu zhang, Sen Cui,
• Abstract要約: 本稿では,タスク生成を反復的検証・修正プロセスとして再定義するクローズドループ自己修正フレームワークであるFATEを提案する。 FATEはジェネラリストの具体化エージェントを生成ループに直接埋め込んで、結果のカリキュラムの物理的根拠を積極的に保証する。
• 参考スコア（独自算出の注目度）: 8.106402582760406
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent breakthroughs in generative simulation have harnessed Large Language Models (LLMs) to generate diverse robotic task curricula, yet these open-loop paradigms frequently produce linguistically coherent but physically infeasible goals, stemming from ungrounded task specifications or misaligned objective formulations. To address this critical limitation, we propose FATE (Feasibility-Aware Task gEneration), a closed-loop, self-correcting framework that reimagines task generation as an iterative validation-and-refinement process. Unlike conventional methods that decouple generation and verification into discrete stages, FATE embeds a generalist embodied agent directly into the generation loop to proactively guarantee the physical groundedness of the resulting curriculum. FATE instantiates a sequential auditing pipeline: it first validates static scene attributes (e.g., object affordances, layout compatibility) and subsequently verifies execution feasibility via simulated embodied interaction. Critical to its performance, upon detecting an infeasible task, FATE deploys an active repair module that autonomously adapts scene configurations or policy specifications, converting unworkable proposals into physically valid task instances. Extensive experiments validate that FATE generates semantically diverse, physically grounded task curricula while achieving a substantial reduction in execution failure rates relative to state-of-the-art generative baselines.
• Abstract（参考訳）: 最近の生成シミュレーションにおけるブレークスルーは、多種多様なロボットタスクのカリキュラムを生成するために、Large Language Models (LLMs)を活用している。 この限界に対処するために,タスク生成を反復的検証・修正プロセスとして再定義するクローズドループ自己修正フレームワークであるFATE(Feasibility-Aware Task gEneration)を提案する。 生成と検証を個別の段階に分離する従来の方法とは異なり、FATEはジェネラリストの具体化エージェントを直接生成ループに埋め込んで、結果のカリキュラムの物理的基盤性を積極的に保証する。 FATEはシーケンシャルな監査パイプラインをインスタンス化し、まず静的なシーン属性(例えば、オブジェクトの空き時間、レイアウトの互換性)を検証する。 実行不可能なタスクを検出する上で、FATEは、シーン設定やポリシー仕様を自律的に適応するアクティブな修復モジュールをデプロイし、作業不能な提案を物理的に有効なタスクインスタンスに変換する。 広範囲な実験により、FATEは意味的に多様性があり、物理的に基礎付けられたタスクカリキュラムを生成すると同時に、最先端の生成ベースラインに対する実行失敗率を大幅に低下させることが検証された。

関連論文リスト

• Act, Think or Abstain: Complexity-Aware Adaptive Inference for Vision-Language-Action Models [7.802379200026965]
  認識状態の複雑さに基づいてVLA実行を動的にルーティングする適応型フレームワークを提案する。 我々のアプローチは、VLAの視覚言語バックボーンを、パラメトリックおよび非パラメトリック推定器のアンサンブルに潜伏埋め込みを投影することにより、アクティブな検出ツールに変換する。
  論文  参考訳（メタデータ） (2026-03-05T13:14:41Z)
• Validating Generalist Robots with Situation Calculus and STL Falsification [6.728104012295723]
  汎用ロボットは現実になりつつあり、自然言語の命令を解釈し、多様な操作を実行することができる。 本稿では,抽象的推論と具体的なシステムファルシフィケーションを組み合わせた2層検証フレームワークを提案する。 テーブルトップ操作タスクの実験により、私たちのフレームワークはNVIDIA GR00Tコントローラの障害ケースを効果的に発見することを示した。
  論文  参考訳（メタデータ） (2026-01-06T14:13:33Z)
• BOTS: A Unified Framework for Bayesian Online Task Selection in LLM Reinforcement Finetuning [82.925106913459]
  強化微調整(Reinforcement Finetuning, RFT)は、大規模言語モデル(LLM)を人間の嗜好と整合させ、推論を強化するための重要な手法である。 RFT強化微調整におけるベイズオンラインタスク選択のための統合フレームワークBOTSを紹介する。
  論文  参考訳（メタデータ） (2025-10-30T11:15:23Z)
• A Unified Framework for Real-Time Failure Handling in Robotics Using Vision-Language Models, Reactive Planner and Behavior Trees [1.3481665321936716]
  本稿では,リアクティブプランナであるVLM(Vision-Language Models)とBT(Behavior Trees)を組み合わせて,リアルタイムの障害処理を実現する,統合された障害復旧フレームワークを提案する。 当社のアプローチには、実行前の潜在的な障害をチェックする事前実行検証と、実行中の障害を検出し修正するリアクティブ障害処理が含まれている。 我々は、ペグ挿入、オブジェクトソート、引き手の配置といったタスクにおいて、ABB YuMiロボットを用いた実世界の実験を通して、我々のフレームワークを評価する。
  論文  参考訳（メタデータ） (2025-03-19T13:40:56Z)
• Self-Corrective Task Planning by Inverse Prompting with Large Language Models [9.283971287618261]
  InversePromptは,新しい自己修正型タスクプランニング手法である。 提案手法は、明確な解釈可能なフィードバックを提供するための推論ステップを組み込んだものである。 ベンチマークデータセットの結果は、既存のLCMベースのタスク計画手法よりも平均16.3%高い成功率を示している。
  論文  参考訳（メタデータ） (2025-03-10T13:35:51Z)
• Model Predictive Task Sampling for Efficient and Robust Adaptation [57.414812940406996]
  本稿では,タスク空間と適応リスク分布をブリッジするフレームワークであるモデル予測タスクサンプリング(MPTS)を紹介する。 MPTSは、エピソード最適化プロセスの特徴付けに生成モデルを使用し、後部推論によりタスク固有の適応リスクを予測する。 MPTSはゼロショット、少数ショット、教師付き微調整設定にシームレスに統合される。
  論文  参考訳（メタデータ） (2025-01-19T13:14:53Z)
• Task-Distributionally Robust Data-Free Meta-Learning [99.56612787882334]
  Data-Free Meta-Learning (DFML)は、複数の事前学習モデルを活用することで、独自のトレーニングデータを必要とせずに、新しいタスクを効率的に学習することを目的としている。 TDS(Task-Distribution Shift)とTDC(Task-Distribution Corruption)の2つの大きな課題を初めて明らかにした。
  論文  参考訳（メタデータ） (2023-11-23T15:46:54Z)
• Reasoning or Reciting? Exploring the Capabilities and Limitations of Language Models Through Counterfactual Tasks [71.19560970717495]
  最近の言語モデルは、幅広いタスクで印象的なパフォーマンスを示している。 これらのスキルは一般的で、移行可能か、あるいは事前トレーニング中に見られる特定のタスクに特化していますか? 本稿では,標準タスクの既定前提から逸脱する「数値的」タスク変種に基づく評価フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-07-05T17:50:42Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。