論文の概要: Diagnosing Semantic Handoff Failures in Agent-Orchestrated Vision-Language-Action Skill Composition

• arxiv url: http://arxiv.org/abs/2607.06256v1
• Date: Tue, 07 Jul 2026 13:24:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-08 21:24:51.533012
• Title: Diagnosing Semantic Handoff Failures in Agent-Orchestrated Vision-Language-Action Skill Composition
• Title（参考訳）: エージェントオーケストレーションビジョンランゲージ・アクションスキル構成における意味的ハンドオフ障害の診断
• Abstract要約: ロングホライゾンの家庭作業は、多くの言語条件のスキルを構成するロボットを必要とする。 スキルは、ロボットを次のスキルが確実に開始できない状態に置きながら、自身のポストコンディションを満たすことができる。 BEHAVIOR-1Kにおけるこのセマンティックハンドオフ問題について,エージェントオーケストレートな視覚言語-アクション実行ハーネスを用いて検討する。
• 参考スコア（独自算出の注目度）: 10.276503485743111
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Long-horizon household tasks require robots to compose many language-conditioned skills, yet the boundary between consecutive skills is rarely explicit. A skill may satisfy its own postcondition while leaving the robot, objects, or camera views in a state from which the next skill cannot reliably start. We study this semantic handoff problem in BEHAVIOR-1K through an agent-orchestrated vision-language-action execution harness. The harness invokes $π_{0.5}$-based skill checkpoints trained from cleaned BEHAVIOR-1K demonstrations, assigns each skill typed arguments and a step budget, and uses multi-view vision-language model verification to decide whether execution should advance, retry, or replan. To separate isolated skill competence from long-horizon compositional robustness, we evaluate the same checkpoints under two initial-state distributions: clean skill-boundary snapshots and chained terminal states produced by previous skills. Selected navigation, grasping, placement, and door-opening skills achieve 77--100% success from clean snapshots under human-reviewed verification, yet composed rollouts still frequently stall from chained states. Execution traces attribute these failures to next-skill readiness, target grounding, and low-level control execution, revealing a substantial gap between single-skill success and reliable long-horizon task completion. These findings turn near-zero end-to-end task success into actionable diagnostics, showing that future VLA skill libraries must learn robustness to the messy chained-state distribution that clean demonstrations systematically underrepresent.
• Abstract（参考訳）: ロングホライゾンの家庭作業では、ロボットが多くの言語条件のスキルを構成する必要があるが、連続するスキルの境界が明確になることは滅多にない。 スキルは、ロボット、オブジェクト、カメラビューを次のスキルが確実に開始できない状態に置きながら、独自の後条件を満たすことができる。 BEHAVIOR-1Kにおけるこのセマンティックハンドオフ問題について,エージェントオーケストレートな視覚言語-アクション実行ハーネスを用いて検討する。 このハーネスは、クリーン化されたBEHAVIOR-1Kデモからトレーニングされた、$π_{0.5}$ベースのスキルチェックポイントを呼び出し、各スキルタイプされた引数とステップ予算を割り当て、実行の進行、再試行、あるいは計画を決定するために、多視点の視覚言語モデル検証を使用する。 長軸構成ロバスト性から孤立したスキル能力を分離するため,前回のスキルが生み出すクリーンなスキル境界スナップショットと連鎖した終端状態の2つの初期状態分布の下で,同じチェックポイントを評価する。 選択されたナビゲーション、把握、配置、ドア開きのスキルは、人間のレビューされた検証の下でクリーンなスナップショットから77-100%の成功を収めるが、構成されたロールアウトは、連鎖した状態からしばしば停止する。 実行トレースは、これらの障害を次のスキルの即応性、ターゲットのグラウンディング、低レベルの制御実行に起因し、シングルスキルの成功と信頼できるロングホライゾンタスクの完了の間に大きなギャップがあることを明らかにする。 これらの結果は、ほぼゼロに近いエンドツーエンドのタスク成功を実行可能な診断に転換し、将来のVLAスキルライブラリは、系統的に過小評価される、散らかった連鎖状態の分布に対して堅牢性を学ぶ必要があることを示した。

関連論文リスト

• Behavior-Skill: A Fine-Grained Benchmark for Evaluating Vision-Language-Action Policies in Long-Horizon Tasks [39.959375504916494]
  本稿では,長期タスクの学習と評価を改定するベンチマークであるBehavior-Skillを提案する。 50世帯のタスクにまたがる1万件のデモから、34のセマンティックスキルカテゴリから235,492のスキルインスタンスが含まれている。 本研究では,長期VLAポリシーの分析と改善のための中間機能プロファイルを公開することで,行動スキルがフルタスク評価を補完することを示す。
  論文  参考訳（メタデータ） (2026-08-31T10:03:48Z)
• Skill Self-Play: Pushing the Frontier of LLM Capability with Co-Evolving Skills [53.15216425100295]
  本稿では,提案者,解決者,スキルコントローラからなる共進化型フレームワークであるスキルセルフプレイ(スキルSP)を紹介する。 プロジェクタは動的にサンプリングされたスキルを前提とした挑戦的なタスクを生成し、ソルバは能力境界を押し上げるための候補ソリューションを探索し、スキルコントローラは実行フィードバックを収集してスキルライブラリを更新および拡張する。 このインタラクティブな共進化は、構造化された検証とオープンな調査の間のギャップを効果的に埋める。
  論文  参考訳（メタデータ） (2026-07-24T17:59:22Z)
• SkillCoach: Self-Evolving Rubrics for Evaluating and Enhancing Agentic Skill-Use [21.05387636058484]
  SkillCoachは、エージェントのスキル使用を評価し、強化するための自己進化フレームワークである。 実際のロールアウトから熟練したプロセスルーブリックを導き、四次元に沿って軌道を評価する。 外部検証器を別個の結果信号として保持し、プロセス品質を偶然のタスク成功と区別できるようにする。
  論文  参考訳（メタデータ） (2026-07-02T08:28:51Z)
• SkillAudit: From Fixed-Suite Benchmarking to Skill-Centered Assessment [10.850946672552277]
  スキル中心アセスメントのためのエンドツーエンドフレームワークであるSkillAuditを紹介します。 実用性、効率/コスト、安全性にまたがる包括的多次元評価レポートを生成する。 トップランクの現実世界のスキルパッケージをスキャンした結果、スキルの7%以上が危険な状態にあることがわかった。
  論文  参考訳（メタデータ） (2026-06-21T17:40:05Z)
• Learning New Tasks via Reusable Skills: Skill-Compositional Experts for Embodied Continual Learning [60.37693496953694]
  Embodied Continual Learning (ECL)は、ロボットが新たな操作タスクを継続的に取得できるようにすることを目的としている。 ECLはより深刻な破滅的な忘れ込みに悩まされる。 ECLの主な課題は、継続的に進化するタスクにおける構造化されたスキル再利用である。
  論文  参考訳（メタデータ） (2026-06-14T09:02:49Z)
• VASO: Formally Verifiable Self-Evolving Skills for Physical AI Agents [57.240036084348354]
  本稿では,ロボットスキルコントラクトの検証誘導自己進化のためのフレームワークであるVASOを紹介する。 VASOは論理的に一貫性のないスキル契約を検証し、グローバルおよびローカルな時間的仕様に対してスキルによって誘発される計画を検証する。 Clearpath Jackal と PX4 のクアッドコプタータスクでは、VASO は100点未満の最適化サンプルを使用して97.2% の形式的な仕様準拠に達した。
  論文  参考訳（メタデータ） (2026-06-03T20:02:35Z)
• SkillGen: Verified Inference-Time Agent Skill Synthesis [60.927977774369516]
  SkillGenは、ベースエージェントによって生成されたトラジェクトリから単一の監査可能なスキルを合成するフレームワークである。 再利用可能な成功パターン、繰り返し発生する障害モード、そして近くの成功に現れるが失敗に欠ける行動を特定する。 SkillGenの重要な特徴は、エージェントスキルを、全体的なパフォーマンスに対するスキルのネット効果を実証的に検証するための介入としてモデル化することです。
  論文  参考訳（メタデータ） (2026-05-09T19:24:11Z)
• Offline Discovery of Interpretable Skills from Multi-Task Trajectories [8.119611773942562]
  オフラインスキル発見と階層的模倣のための3段階のエンドツーエンド学習フレームワークであるLOKIを紹介する。 LOKIは、挑戦的なD4RL Kitchenベンチマークで高い成功率を獲得し、標準のHILベースラインを上回っている。
  論文  参考訳（メタデータ） (2026-02-01T05:03:58Z)
• Hierarchical Vision Language Action Model Using Success and Failure Demonstrations [60.82332413442677]
  階層型視覚-言語-アクションモデルであるVINEを導入し,高レベル推論を低レベル制御から分離する。 システム2は、2Dシーングラフの抽象化を介して、実現可能性誘導木探索を行う。 システム1はエージェントのコアスキルを変更することなく、低レベルのアクションを実行する。
  論文  参考訳（メタデータ） (2025-12-03T15:58:38Z)
• SkillDiffuser: Interpretable Hierarchical Planning via Skill Abstractions in Diffusion-Based Task Execution [75.2573501625811]
  拡散モデルは、ロボット軌道計画の強力な可能性を示している。 高レベルの命令からコヒーレントな軌道を生成することは依然として困難である。 エンド・ツー・エンドの階層的計画フレームワークであるSkillDiffuserを提案する。
  論文  参考訳（メタデータ） (2023-12-18T18:16:52Z)
• Example-Driven Model-Based Reinforcement Learning for Solving Long-Horizon Visuomotor Tasks [85.56153200251713]
  長軸ビズモータタスクの完了に適したプリミティブスキルを学習するためのモデルベースRL手法EMBRを紹介する。 フランカ・エミカのロボットアームでは、EMBRによってロボットは85%の成功率で3つの長い水平視運動タスクを完了できることがわかった。
  論文  参考訳（メタデータ） (2021-09-21T16:48:07Z)

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。