論文の概要: Creative Robot Tool Use by Counterfactual Reasoning
- arxiv url: http://arxiv.org/abs/2605.05411v1
- Date: Wed, 06 May 2026 20:10:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-08 22:27:11.402544
- Title: Creative Robot Tool Use by Counterfactual Reasoning
- Title(参考訳): 対物推論を用いた創造型ロボットツール
- Abstract要約: 本稿では,タスクに適したツールを適切な目的以上の用途に正しく識別する,クリエイティブなロボットツール用因果推論フレームワークを提案する。
因果発見問題を,VLMに基づく特徴提案と対実ツール生成の2つの相補的な構成要素に分解する。
動的モデルでタスクを再構築することにより、我々のアプローチは問題の物理学におけるツールの使用を基礎にしている。
- 参考スコア(独自算出の注目度): 12.0843035300871
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We propose a causal reasoning framework for creative robot tool use where a suitable tool for a task is correctly identified for use beyond its primary objectives. The proposed framework first discovers the causal relationships between the tool and the task by conducting simulated experiments in a dynamics model. We decouple the causal discovery problem into two complementary components: VLM-based feature suggestion and counterfactual tool generation via targeted geometric and physical feature perturbations. Then, novel objects are classified based on identified causal features, and the tool use skill is transferred via keypoint matching conditioned on the identified causal features. By reconstructing the task in a dynamics model, our approach grounds tool use in the physics of the problem. We illustrate our approach in reaching a distant object with different sticks, scooping candies from a bowl using diverse items, and using different boxes or crates as stepping platforms to retrieve an object from a high shelf. Our baseline comparisons show that identifying causal features and grounding them in physical tool properties leads to more reliable tool selection and stronger skill keypoint transfer.
- Abstract(参考訳): 本稿では,タスクに適したツールが,その目的以上の用途のために正しく識別される,クリエイティブなロボットツール用因果推論フレームワークを提案する。
提案フレームワークは、まず、動的モデルを用いてシミュレーション実験を行うことにより、ツールとタスク間の因果関係を発見する。
因果発見問題を,VLMに基づく特徴提案と,ターゲットとなる幾何学的特徴摂動と物理的特徴摂動による対実ツール生成の2つの相補的な構成要素に分解する。
そして、識別された因果的特徴に基づいて新しい対象を分類し、識別された因果的特徴に基づいて条件付きキーポイントマッチングを介してツール使用スキルを伝達する。
動的モデルでタスクを再構築することにより、我々のアプローチは問題の物理学におけるツールの使用を基礎にしている。
異なる棒で遠くの物体に到達し、さまざまなアイテムを使ってボウルからキャンディーをスクープし、異なる箱や木枠を使って高い棚から物体を回収するアプローチについて説明する。
ベースライン比較では,因果的特徴の同定と物理的ツール特性のグラウンド化が,より信頼性の高いツールの選択と,より強力なスキルキーポイントの転送につながることが示された。
関連論文リスト
- Lomekwi: Resource-Bounded Tool Discovery in LLM Agents [2.06749085915751]
ツールの使用を好奇心、認識、効率に分解する。
このフレームワークは、Voyagerのような既存の発見タスクにも適用可能であることを示す。
論文 参考訳(メタデータ) (2026-07-18T20:40:13Z) - The Tool Illusion: Rethinking Tool Use in Web Agents [60.49303190288166]
我々は、広範囲かつ慎重に制御された研究を通じて、Webエージェントにおけるツールの使用を再考する。
いずれの結論も事前の結論を再検討し, より広範な証拠で他の結論を補完した。
論文 参考訳(メタデータ) (2026-04-03T21:18:26Z) - AdaReasoner: Dynamic Tool Orchestration for Iterative Visual Reasoning [66.24374176797075]
textbfAdaReasonerは、ツール固有の、あるいは明示的な教師付き行動ではなく、一般的な推論スキルとしてツールの使用を学ぶマルチモーダルモデルのファミリーである。
AdaReasonerは、(i)スケーラブルなデータキュレーションパイプラインによって、長期にわたる多段階のツールインタラクションにモデルを公開し、(ii)ツール-GRPO、(ii)ツールの選択とシークエンシングをエンドツーエンドの成功に基づいて優先順位付けする強化学習アルゴリズム、(iii)ツールの使用を動的に規制する適応学習メカニズムによって実現されている。
論文 参考訳(メタデータ) (2026-01-26T16:04:43Z) - ToolLibGen: Scalable Automatic Tool Creation and Aggregation for LLM Reasoning [80.10274552177096]
外部ツールを備えたLarge Language Models (LLM) は、複雑な推論タスクにおけるパフォーマンスの向上を実証している。
このツールに強化された推論が広く採用されるのは、ドメイン固有のツールが不足しているためである。
構造化ツールライブラリに非構造化ツールのコレクションを自動的に組み込むための体系的なアプローチを提案する。
論文 参考訳(メタデータ) (2025-10-09T04:11:16Z) - Adaptive Tool Use in Large Language Models with Meta-Cognition Trigger [49.81945268343162]
我々は,外部ツール利用のための適応型意思決定戦略であるMeCoを提案する。
MeCoは、表現空間内の高レベル認知信号をキャプチャすることで、メタ認知スコアを定量化する。
MeCoは微調整不要で、最小限のコストがかかる。
論文 参考訳(メタデータ) (2025-02-18T15:45:01Z) - Learning Generalizable Tool-use Skills through Trajectory Generation [13.879860388944214]
4つの異なる変形可能なオブジェクト操作タスクで1つのモデルをトレーニングします。
モデルは様々な新しいツールに一般化され、ベースラインを大幅に上回る。
トレーニングされたポリシーを、目に見えないツールを使って現実世界でテストし、人間に匹敵するパフォーマンスを実現します。
論文 参考訳(メタデータ) (2023-09-29T21:32:42Z) - Tool Learning with Foundation Models [158.8640687353623]
基礎モデルの出現により、AIシステムは、人間としてのツールの使用に等しく適応できる可能性がある。
その大きな可能性にもかかわらず、この分野における重要な課題、機会、そして将来の取り組みに関する包括的な理解はいまだに欠けている。
論文 参考訳(メタデータ) (2023-04-17T15:16:10Z) - How to select and use tools? : Active Perception of Target Objects Using
Multimodal Deep Learning [9.677391628613025]
我々は,ロボットが物体と相互作用する間,マルチモーダル感覚運動子データを用いた能動的知覚に焦点を当てた。
物体の特徴を認識することを学ぶディープニューラルネットワーク(DNN)モデルを構築した。
また, 画像, 力, 触覚データのコントリビューションについても検討し, 多様なマルチモーダル情報を学習することで, ツール使用に対する認知度が向上することを示す。
論文 参考訳(メタデータ) (2021-06-04T12:49:30Z) - TANGO: Commonsense Generalization in Predicting Tool Interactions for
Mobile Manipulators [15.61285199988595]
タスク固有のツール相互作用を予測するための新しいニューラルモデルであるTANGOを紹介します。
TANGOは、グラフニューラルネットワークを使用して、オブジェクトとそれらの間のシンボリックな関係からなる世界状態をエンコードする。
知識ベースから学習した組込みによる環境表現の強化により,新しい環境に効果的に一般化できることを示す。
論文 参考訳(メタデータ) (2021-05-05T18:11:57Z) - Emergence of Different Modes of Tool Use in a Reaching and Dragging Task [7.40839907166763]
本稿では,手を伸ばしたり引きずったりする作業で現れるツールの異なるモードについて検討する。
我々は,この課題に対処するための報奨情報を最小限に抑えた深層強化学習ベースコントローラを訓練した。
我々は、モータープリミティブや報酬関数に直接エンコードされない、幅広い予期せぬ行動の出現を観察した。
論文 参考訳(メタデータ) (2020-12-08T19:37:58Z) - Reinforcement Learning for Sparse-Reward Object-Interaction Tasks in a
First-person Simulated 3D Environment [73.9469267445146]
高忠実な3Dシミュレーション環境において、AI2Thorのような一対一のオブジェクトインタラクションタスクは、強化学習エージェントに顕著なサンプル効率の課題をもたらす。
補助的なタスクとして注意的オブジェクトモデルを学ぶことで、監督なしに、ゼロからオブジェクトインタラクションタスクを学習できることが示される。
論文 参考訳(メタデータ) (2020-10-28T19:27:26Z)
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。