論文の概要: When Search Becomes Memory: Turning Robot Design Trials into Transferable Skills

• arxiv url: http://arxiv.org/abs/2605.25832v1
• Date: Mon, 25 May 2026 13:29:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:20.139659
• Title: When Search Becomes Memory: Turning Robot Design Trials into Transferable Skills
• Title（参考訳）: ロボットデザインのトライアルをトランスファー可能なスキルに変える
• Authors: Yunfei Wang, Xiaohao Xu, Yang Li, Xiaonan Huang,
• Abstract要約: 大規模言語モデル (LLM) は進化ロボット設計のための提案ジェネレータとしてますます使われている。 本稿では, 形態学的トレースを抽出する自己進化型LLMエージェントであるAuto-Robotistを, 明示的な自然言語スキルライブラリに導入する。 それぞれのスキルには、構造的アーキタイプ、エビデンスに基づく肯定的、否定的なルール、そしてそれらをサポートする評価された設計が格納されており、集団では暗黙的にではなく、設計記憶が検査可能である。
• 参考スコア（独自算出の注目度）: 18.213473833310754
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large language models (LLMs) are increasingly used as proposal generators for evolutionary robot design, yet most loops remain memoryless: simulator results shape the next population but are not preserved as reusable design knowledge. We present Auto-Robotist, a self-evolving LLM agent that distills morphology-search traces into an explicit natural-language skill library. Each skill stores a structural archetype, evidence-grounded positive and negative rules, and the evaluated designs that support them, making design memory inspectable rather than implicit in a population. During search, the agent retrieves skills to condition LLM edits of elite bodies while retaining a Genetic Algorithm (GA) mutation path for exploration; after evaluation, it updates the library through Add, Diagnose, and Merge. Across seven EvoGym tasks spanning locomotion, traversal, and object interaction, Auto-Robotist improves cold-start 5x5 search and transfers learned skills to 10x10 design spaces, where reference-conditioned transfer outperforms GA on every task. These results suggest that LLM agents can convert expensive physical evaluations into reusable, auditable design principles. Our code will be released upon acceptance.
• Abstract（参考訳）: 大規模言語モデル (LLM) は進化型ロボットの設計のための提案ジェネレータとして使われることが多いが、ほとんどのループは記憶に残らない。 本稿では, 形態学的トレースを抽出する自己進化型LLMエージェントであるAuto-Robotistを, 明示的な自然言語スキルライブラリに導入する。 それぞれのスキルには、構造的アーキタイプ、エビデンスに基づく肯定的、否定的なルール、そしてそれらをサポートする評価された設計が格納されており、集団では暗黙的にではなく、設計記憶が検査可能である。 探索中、エージェントは、探索のための遺伝的アルゴリズム(GA)突然変異パスを保持しながら、エリート体の編集を条件付けするためのスキルを取得し、評価後、Add、Diagnose、Mergeを介してライブラリを更新する。 ローコモーション、トラバース、オブジェクトインタラクションにまたがる7つのEvoGymタスクに対して、Auto-Robotistはコールドスタート5x5検索を改善し、学習したスキルを10x10デザインスペースに転送する。 これらの結果から,LLMエージェントは高額な物理評価を再利用可能で監査可能な設計原則に変換することが可能であることが示唆された。 私たちのコードは受け入れ次第解放されます。

関連論文リスト

• NanoResearch: Co-Evolving Skills, Memory, and Policy for Personalized Research Automation [59.19858972597063]
  LLMを利用したマルチエージェントシステムは、アイデアから論文執筆までの完全な研究パイプラインを自動化できるようになったが、根本的な疑問が残る。 我々は,三段階共進化によってこれらのギャップに対処するマルチエージェントフレームワークであるNanoResearchを提案する。 技能銀行は、繰り返しの業務をプロジェクト間で再利用可能なコンパクトな手続き規則に蒸留する。 メモリモジュールは、各ユーザの研究履歴における計画決定の基礎となる、ユーザとプロジェクト特有のエクスペリエンスを維持します。 ラベルフリーポリシー学習は、自由形式のフィードバックをプランナーの永続パラメータ更新に変換し、その後の調整を再構築する。
  論文  参考訳（メタデータ） (2026-05-11T16:33:47Z)
• Understanding the Challenges in Iterative Generative Optimization with LLMs [19.536425405805957]
  学習ループを設定するには、エンジニアが隠れた設計選択をしなければならない、と私たちは主張する。 本稿では,ほとんどの応用に影響を及ぼす3つの要因について検討する。 ドメイン間で学習ループを設定するためのシンプルで普遍的な方法がないことが、生産化と採用の大きなハードルである、と私たちは結論付けています。
  論文  参考訳（メタデータ） (2026-03-25T06:49:24Z)
• EmboCoach-Bench: Benchmarking AI Agents on Developing Embodied Robots [68.29056647487519]
  Embodied AIは、高忠実度シミュレーションと大規模データ収集によって実現されている。 しかし、このスケーリング能力は、労働集約的な手作業の監視に依存しているため、いまだにボトルネックになっている。 実装ポリシーを自律的に構築するための LLM エージェントの能力を評価するベンチマークである textscEmboCoach-Bench を紹介する。
  論文  参考訳（メタデータ） (2026-01-29T11:33:49Z)
• Synthesizing Procedural Memory: Challenges and Architectures in Automated Workflow Generation [0.5599792629509229]
  本稿では、受動的ツールユーザからアクティブなワークフローアーキテクトへの移行を運用する。 エージェントは仮説、調査、コードの科学的方法論を強制することによって、堅牢で生産レベルのコードスキルを自律的に書けることを実証する。
  論文  参考訳（メタデータ） (2025-12-23T11:33:32Z)
• The Automated LLM Speedrunning Benchmark: Reproducing NanoGPT Improvements [87.61432174951891]
  科学的進歩への重要な能力は、既存の作品を再現する能力である。 アクティブな研究領域においてAIエージェントが結果を再現する能力を評価するために,自動LLM高速化ベンチマークを導入する。 最近のLSMとSoTAの足場を組み合わせると、ベンチマークですでに知られているイノベーションを再実装するのに苦労していることが分かりました。
  論文  参考訳（メタデータ） (2025-06-27T17:44:32Z)
• ReVeal: Self-Evolving Code Agents via Reliable Self-Verification [11.875519107421312]
  自己検証とツールベースの評価を通じてコード生成を進化させる強化学習フレームワークであるReVealを紹介する。 推論において、この強化された自己検証により、3つしかトレーニングされていないLiveCodeBenchでは、自己構築されたテストとツールフィードバックを使用して、20ターン以上のコードを継続的に進化させることができる。 これらの調査結果は、RLトレーニングとテストタイムスケーリングのためのスケーラブルなパラダイムとしてのReVealの約束を強調し、より堅牢で自律的なAIエージェントへの道を開いた。
  論文  参考訳（メタデータ） (2025-06-13T03:41:04Z)
• LLM-Meta-SR: In-Context Learning for Evolving Selection Operators in Symbolic Regression [11.760077969729055]
  大規模言語モデル (LLM) はアルゴリズム開発に革命をもたらしたが、シンボリック回帰への応用は限定的である。 進化的シンボリック回帰アルゴリズムの選択演算子を自動的に設計するメタラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-24T08:52:56Z)
• Self-RAG: Learning to Retrieve, Generate, and Critique through Self-Reflection [74.51523859064802]
  我々は、自己回帰検索拡張生成(Self-RAG)と呼ばれる新しいフレームワークを導入する。 自己RAGは、検索と自己回帰によってLMの品質と事実性を高める。 様々なタスクセットにおいて、最先端のLCMや検索強化モデルよりも大幅に優れています。
  論文  参考訳（メタデータ） (2023-10-17T18:18:32Z)
• MLAgentBench: Evaluating Language Agents on Machine Learning Experimentation [96.71370747681078]
  我々は,CIFAR-10におけるモデル性能の改善から,BabyLMのような最近の研究課題まで,13のタスクからなるMLAgentBenchを紹介した。 各タスクに対して、エージェントはファイルの読み書き、コードの実行、出力の検査などのアクションを実行することができる。 我々は、Claude v1.0、Claude v2.1、Claude v3 Opus、GPT-4、GPT-4-turbo、Gemini-Pro、Mixtralに基づいてベンチマークエージェントをベンチマークし、Claude v3 Opusエージェントが成功率の点で最高であることを示す。
  論文  参考訳（メタデータ） (2023-10-05T04:06:12Z)
• Diversity-based Design Assist for Large Legged Robots [4.505477982701834]
  高さ約2mの大型脚ロボットの設計空間を探索するが、その設計と構造はよく研究されていない。 新たなロボットエンコーディングにより、足が体の長さに沿ってスケーリングするなど、バイオインスパイアされた特徴を実現できる。
  論文  参考訳（メタデータ） (2020-04-17T03:59:17Z)

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。