論文の概要: Nautilus: From One Prompt to Plug-and-Play Robot Learning

• arxiv url: http://arxiv.org/abs/2605.11665v1
• Date: Tue, 12 May 2026 07:26:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-13 21:48:56.662981
• Title: Nautilus: From One Prompt to Plug-and-Play Robot Learning
• Title（参考訳）: Nautilus:1つのプロンプトからプラグ&プレイロボット学習へ
• Authors: Yufeng Jin, Jianfei Guo, Xiaogang Jia, Yu Deng, Zechu Li, Han Liu, Weiran Liao, Vignesh Prasad, Mathias Franzius, Gerhard Neumann, Georgia Chalvatzaki,
• Abstract要約: NAUTILUSはオープンソースのハーネスで、単一のユーザプロンプトを準備可能な複製、評価、デプロイに変換する。 既存の実装に必要なアダプタやコンテナを自動的に生成するだけでなく、新規あるいはユーザが提供するポリシ、シミュレータ/ベンチマーク、ロボットをラップしてオンボードすることも可能だ。 成長を続けるロボット学習エコシステムにおいて、家族間の複製と評価の工学的負担を軽減することを目的としている。
• 参考スコア（独自算出の注目度）: 32.048440678131676
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Robot learning research is fragmented across policy families, benchmark suites, and real robots; each implementation is entangled with the others in a complex combination matrix, making it an engineering nightmare to port any single element. General-purpose coding agents may occasionally bridge specific setups, but cannot close this gap at scale because they lack the procedural priors and validation practices that characterize robotics research workflows. We propose NAUTILUS, an open-source harness that turns a single user prompt -- for example, "Evaluate policy A with benchmark B" -- into ready-to-use reproduction, evaluation, fine-tuning, and deployment workflows. NAUTILUS provides: plug-and-play agent skill sets with distilled priors from robotics research; typed contracts among policies, simulators/benchmarks, and real-world robots; unified interfaces and execution environments; and a trustworthy agentic coding workflow with explicit, automated validation, and testing at each milestone. NAUTILUS can not only automatically generate the required adapters and containers for existing implementations, but also wrap and onboard new or user-provided policies, simulators/benchmarks, and robots, all connected via a uniform interface. This expands cross-validation coverage without hand-written glue code. Like a nautilus shell that grows by adding chambers, NAUTILUS scales by extending its execution in chambered units, making it a research harness for scalability rather than a hand-curated framework, and aiming to reduce the engineering burden of cross-family reproduction and evaluation in the ever-growing robot learning ecosystem.
• Abstract（参考訳）: ロボット学習の研究は、ポリシーファミリ、ベンチマークスイート、実際のロボットで断片化されている。それぞれの実装は、複雑な組み合わせ行列で他と絡み合っているため、単一の要素を移植するエンジニアリングの悪夢になる。 汎用コーディングエージェントは、時に特定のセットアップをブリッジすることがあるが、ロボット研究のワークフローを特徴付ける手続き的な事前と検証のプラクティスが欠けているため、このギャップをスケールで埋めることはできない。 NAUTILUSは、単一のユーザプロンプト -- 例えば、"ベンチマークBによるポリシーAの評価" -- を、使用可能な複製、評価、微調整、デプロイメントワークフローに変換するオープンソースハーネスである。 NAUTILUSは、ロボット研究から抽出された事前の蒸留されたプラグアンドプレイのエージェントスキルセット、ポリシー、シミュレーター/ベンチマーク、現実世界のロボット間の型付け契約、統一されたインターフェースと実行環境、各マイルストーンで明示的で自動検証、テストを備えた信頼できるエージェントコーディングワークフローを提供する。 NAUTILUSは、既存の実装に必要なアダプタやコンテナを自動的に生成するだけでなく、新規またはユーザが提供するポリシー、シミュレータ/ベンチマーク、ロボットをラップして、すべて統一インターフェースを介して接続する。 これにより、手書きのグルーコードなしで、クロスバリデーションカバレッジが拡張される。 部屋を追加して成長するナウチラスシェルのように、NAUTILUSは、室内ユニットでの実行を拡張してスケールし、手作業によるフレームワークではなくスケーラビリティの研究のハーネスとなり、成長を続けるロボット学習エコシステムにおけるクロスファミリー再生と評価の技術的負担を軽減することを目指している。

関連論文リスト

• CRoSS: A Continual Robotic Simulation Suite for Scalable Reinforcement Learning with High Task Diversity and Realistic Physics Simulation [46.950823663585425]
  継続的な強化学習では、エージェントは以前取得したポリシーを忘れずに一連のタスクから学ぶ必要がある。 本稿では,ガゼボシミュレータで現実的にシミュレーションされたロボットをベースとしたCRLのための新しいベンチマークスイートを提案する。
  論文  参考訳（メタデータ） (2026-02-04T18:54:26Z)
• AI-based Framework for Robust Model-Based Connector Mating in Robotic Wire Harness Installation [1.543743835720528]
  我々は、力制御と深層ビゾタクティル学習を統合することで、ケーブルコネクタの配座を自動化する新しいAIベースのフレームワークを設計する。 視覚的・触覚的・受容的データに基づいて学習したマルチモーダルトランスフォーマーアーキテクチャ上での1次最適化を用いた探索・挿入戦略を最適化する。
  論文  参考訳（メタデータ） (2025-03-12T13:59:26Z)
• RoboScript: Code Generation for Free-Form Manipulation Tasks across Real and Simulation [77.41969287400977]
  本稿では,コード生成を利用したデプロイ可能なロボット操作パイプラインのためのプラットフォームである textbfRobotScript を提案する。 自由形自然言語におけるロボット操作タスクのためのコード生成ベンチマークも提案する。 我々は,Franka と UR5 のロボットアームを含む,複数のロボットエボディメントにまたがるコード生成フレームワークの適応性を実証した。
  論文  参考訳（メタデータ） (2024-02-22T15:12:00Z)
• SERL: A Software Suite for Sample-Efficient Robotic Reinforcement Learning [82.46975428739329]
  筆者らは,報酬の計算と環境のリセットを行う手法とともに,効率的なオフ・ポリティクス・ディープ・RL法を含むライブラリを開発した。 我々は,PCBボードアセンブリ,ケーブルルーティング,オブジェクトの移動に関するポリシを,非常に効率的な学習を実現することができることを発見した。 これらの政策は完全な成功率またはほぼ完全な成功率、摂動下でさえ極端な堅牢性を実現し、突発的な堅牢性回復と修正行動を示す。
  論文  参考訳（メタデータ） (2024-01-29T10:01:10Z)
• Learn Fast, Segment Well: Fast Object Segmentation Learning on the iCub Robot [20.813028212068424]
  我々は、新しいオブジェクトや異なるドメインの存在下で、オブジェクトセグメンテーションモデルに適応できる様々な技術について研究する。 データをストリーム化するロボットアプリケーションのための高速なインスタンスセグメンテーション学習のためのパイプラインを提案する。 提案したパイプラインを2つのデータセットでベンチマークし、実際のロボットであるiCubヒューマノイドにデプロイする。
  論文  参考訳（メタデータ） (2022-06-27T17:14:04Z)
• Integrated Benchmarking and Design for Reproducible and Accessible Evaluation of Robotic Agents [61.36681529571202]
  本稿では,開発とベンチマークを統合した再現性ロボット研究の新しい概念について述べる。 このセットアップの中心的なコンポーネントの1つはDuckietown Autolabであり、これは比較的低コストで再現可能な標準化されたセットアップである。 本研究では,インフラを用いて実施した実験の再現性を解析し,ロボットのハードウェアや遠隔実験室間でのばらつきが低いことを示す。
  論文  参考訳（メタデータ） (2020-09-09T15:31:29Z)

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。