論文の概要: Towards Long-horizon Embodied Agents with Tool-Aligned Vision-Language-Action Models

• arxiv url: http://arxiv.org/abs/2605.13119v1
• Date: Wed, 13 May 2026 07:40:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-14 23:30:27.87932
• Title: Towards Long-horizon Embodied Agents with Tool-Aligned Vision-Language-Action Models
• Title（参考訳）: ツール・アライズド・ビジョン・ランゲージ・アクション・モデルを用いたロングホライゾン・エボディード・エージェントの実現に向けて
• Authors: Zixing Lei, Changxing Liu, Yichen Xiong, Minhao Xiong, Yuanzhuo Ding, Zhipeng Zhang, Weixin Li, Siheng Chen,
• Abstract要約: 視覚言語アクションモデル(VLA)は効果的なロボットアクションエグゼクタであるが、拡張された閉ループ計画と多様な物理的操作の二重負担のため、長い水平タスクに制限されている。 本稿では、時間的推論のための高レベル視覚言語モデル(VLM)エージェントと、様々なローカルな物理操作のための専門的なVLAツール群にこの負担を分散する戦略であるVLA-as-Toolsを提案する。
• 参考スコア（独自算出の注目度）: 47.71623468340303
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Vision-language-action (VLA) models are effective robot action executors, but they remain limited on long-horizon tasks due to the dual burden of extended closed-loop planning and diverse physical operations. We therefore propose VLAs-as-Tools, a strategy that distributes this burden across a high-level vision language model (VLM) agent for temporal reasoning and a family of specialized VLA tools for diverse local physical operations. The VLM handles scene analysis, global planning, and recovery, while each VLA tool executes a bounded subtask. To tightly couple agent planning with VLA tool execution in long-horizon tasks, we introduce a VLA tool-family interface that exposes explicit tool selection and in-execution progress feedback, enabling efficient event-triggered agent replanning without continuous agent polling. To obtain diverse specialized VLA tools that faithfully follow agent invocations, we further propose Tool-Aligned Post-Training (TAPT), which constructs invocation-aligned training units for instruction following and adopts tool-family residual adapters for efficient tool specialization. Experiments show that VLAs-as-Tools improves the success rate of $π_{0.5}$ by 4.8 points on LIBERO-Long and 23.1 points on RoboTwin, and further enhances invocation fidelity by 15.0 points as measured by Non-biased Rate. Code will be released.
• Abstract（参考訳）: 視覚言語アクションモデル(VLA)は効果的なロボットアクションエグゼクタであるが、拡張された閉ループ計画と多様な物理的操作の二重負担のため、長い水平タスクに制限されている。 そこで本稿では、時間的推論のための高レベル視覚言語モデル(VLM)エージェントと、多様なローカルな物理操作のための専門的なVLAツール群にこの負担を分散する戦略であるVLA-as-Toolsを提案する。 VLMはシーン解析、グローバルプランニング、リカバリを処理し、各VLAツールは境界サブタスクを実行する。 長期タスクにおけるVLAツール実行とエージェント計画の密結合を図り、明示的なツール選択と実行中の進捗フィードバックを公開するVLAツールファミリーインタフェースを導入し、連続エージェントポーリングなしで効率的なイベントトリガーエージェント再計画を可能にする。 エージェント呼び出しを忠実に追従する多種多様な専門的なVLAツールを得るために,より効率的なツール専門化のためのツール・アラインド・ポスト・トライニング(TAPT)を提案する。 実験により、VLAs-as-Tools は LIBERO-Long の4.8ポイント、RoboTwin の23.1ポイントの成功率を改善し、さらに非バイアスレートで測定された15.0ポイントの呼び出しフィティを高めることが示されている。 コードはリリースされる。

関連論文リスト

• ToolSpec: Accelerating Tool Calling via Schema-Aware and Retrieval-Augmented Speculative Decoding [18.39543649458034]
  ツールコールトレースは高度に構造化されており、制約されたスキーマに準拠しており、しばしば繰り返し行われる呼び出しパターンを示す。 本稿では,ツール呼び出しを高速化する,スキーマ対応の検索拡張型投機的復号法であるToolSpecを提案する。 テストの結果、ToolSpecは4.2倍のスピードアップを達成した。
  論文  参考訳（メタデータ） (2026-04-15T06:05:11Z)
• 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)
• TRAJECT-Bench:A Trajectory-Aware Benchmark for Evaluating Agentic Tool Use [74.47746287181383]
  大規模言語モデル(LLM)ベースのエージェントは、現実のタスクを完了するためのツールの使用にますます依存している。 LLMのツール使用能力を総合的に評価するためのトラジェクトリ対応ベンチマークであるTRAJECT-Benchを紹介する。
  論文  参考訳（メタデータ） (2025-10-06T07:30:25Z)
• NaviAgent: Bilevel Planning on Tool Navigation Graph for Large-Scale Orchestration [13.925896302382043]
  大規模言語モデル(LLM)は、最近、外部ツールを呼び出すことによって関数呼び出しエージェントとして機能する機能を示した。 そこで我々は,タスクプランニングをツール実行からツールエコシステムのグラフベースモデリングを通じて分離するNaviAgentを提案する。 実験によると、NaviAgentはモデルとタスク間で最高のタスク成功率を達成し、TWMNを統合することで、複雑なタスクで最大17ポイントパフォーマンスが向上する。
  論文  参考訳（メタデータ） (2025-06-24T10:39:07Z)
• Tool Learning in the Wild: Empowering Language Models as Automatic Tool Agents [56.822238860147024]
  大規模な言語モデルを外部ツールで拡張することは、彼らのユーティリティを拡張するための有望なアプローチとして現れました。 以前のメソッドは、ツールドキュメントを手動で解析し、コンテキスト内デモを作成し、ツールをLLMがステップバイステップの推論で使用する構造化フォーマットに変換する。 LLMがツール使用ワークフローを自動化できるフレームワークであるAutoToolsを提案する。
  論文  参考訳（メタデータ） (2024-05-26T11:40:58Z)

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。