論文の概要: Self-Evolving AI for Humanoids: Mechanisms, Safety, and Evaluation of Post-Deployment Self-Improvement

• arxiv url: http://arxiv.org/abs/2609.13236v1
• Date: Wed, 02 Sep 2026 13:38:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-22 13:48:45.964967
• Title: Self-Evolving AI for Humanoids: Mechanisms, Safety, and Evaluation of Post-Deployment Self-Improvement
• Title（参考訳）: ヒューマノイドのための自己進化型AI--展開後の自己改善のメカニズム、安全性、評価
• Abstract要約: 自己進化型ロボットは、自国の展開後体験からシステムを改善することを目的としている。 まず、ヒューマノイドの自己進化を定義し、生涯の目標を持つ緩やかな外ループを用いて展開するロボットを表現した。 次に、文献を4つの相補的な自己進化機構に整理し、自律性の向上を図った。
• 参考スコア（独自算出の注目度）: 48.47465597427111
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Humanoid robots are becoming an important part of embodied artificial intelligence, driven by advances in reinforcement learning for locomotion, world models for prediction, and vision-language-action models for general control. However, most of these systems remain static after deployment. A policy is trained offline for a fixed objective and then frozen, even though the tasks, environments, and robot bodies keep drifting over time. An emerging paradigm of self-evolving agents aims to address this problem by allowing systems to improve from their own post-deployment experience. Since most existing studies focus on disembodied software agents, this survey examines how self-evolution changes when an agent has a physical body. We first define self-evolution for humanoids and represent a deployed robot using a state tuple that includes its policy, perception, memory, workflow, and body. This state is updated by an evolution operator in a slow outer loop with a lifelong objective. We then organize the literature into four complementary mechanisms of self-evolution, presented in increasing order of autonomy: self-learning, self-adaptation, self-optimization, and self-generation. Since changes to a humanoid can introduce physical hazards, we treat safety and uncertainty as key design dimensions of the evolution operator, and further formulate admissible evolution as a constraint enforced by a world-model verification gate within a human-oversight envelope. Finally, we present that evaluation should track the robot's evolving trajectory rather than a fixed checkpoint, and we identify the lack of a benchmark designed specifically for self-evolving humanoids. Moreover, we outline open challenges spanning AI algorithms, on-board systems, and governance.
• Abstract（参考訳）: ヒューマノイドロボットは、移動のための強化学習の進歩、予測のための世界モデル、一般的な制御のための視覚言語アクションモデルによって、人工知能の具体化の重要な部分になりつつある。 しかし、これらのシステムの多くはデプロイ後も静的のままである。 ポリシーは固定された目的のためにオフラインでトレーニングされ、タスクや環境、ロボットの体は時間とともにドリフトし続けるが、凍結される。 自己進化エージェントの新たなパラダイムは、システムが自身のデプロイ後の経験から改善できるようにすることによって、この問題に対処することを目指している。 既存のほとんどの研究では、非身体的ソフトウェアエージェントに焦点を当てているため、エージェントが物理的に身体を持つ場合、自己進化がどのように変化するかを調べる。 まず、ヒューマノイドの自己進化を定義し、そのポリシー、知覚、記憶、ワークフロー、身体を含む状態タプルを用いて、デプロイされたロボットを表現する。 この状態は進化演算子によって、寿命の長い目標を持つ遅い外ループで更新される。 次に、文献を4つの相補的な自己進化のメカニズムに整理し、自己学習、自己適応、自己最適化、自己生成の順に示す。 ヒューマノイドへの変更は物理的危険をもたらす可能性があるため、安全と不確実性を進化演算子の鍵となる設計次元として扱うとともに、人間を監督する封筒内のワールドモデル検証ゲートによって強制される制約として許容可能な進化を定式化する。 最後に、固定チェックポイントではなく、ロボットの進行軌跡を追跡することを示し、自己進化型ヒューマノイドに特化して設計されたベンチマークの欠如を特定する。 さらに、AIアルゴリズム、オンボードシステム、ガバナンスにまたがるオープンな課題についても概説する。

関連論文リスト

• Self-evolving Embodied AI [31.476861839032363]
  エンボディード・人工知能(英語: Embodied Artificial Intelligence、AI)は、エージェントとその環境によって、能動的知覚、具体的認知、行動相互作用を通じて形成されるインテリジェントなシステムである。 本稿では,エージェントが変化状態と環境に基づいて動作する新たなパラダイムである,自己進化型エンボディAIを紹介する。
  論文  参考訳（メタデータ） (2026-02-04T10:40:34Z)
• Bridging the Gap: Toward Cognitive Autonomy in Artificial Intelligence [1.3126858950459552]
  本稿では,現代AIモデルを制約する7つのコア欠陥を特定し,解析する。 これらの構造的制限は、現在のアーキテクチャが堅牢な一般化、生涯の適応性、現実の自律性を達成するのを妨げている、と我々は主張する。 我々は,自己指向型適応,動的表現管理,意図的,目標志向的な行動が可能な認知基盤型AIへのパラダイムシフトを提唱して,結論付けた。
  論文  参考訳（メタデータ） (2025-12-01T23:51:08Z)
• From Agentification to Self-Evolving Agentic AI for Wireless Networks: Concepts, Approaches, and Future Research Directions [70.72279728350763]
  自律進化型エージェント人工知能(AI)は、将来の無線システムに新しいパラダイムを提供する。 静的AIモデルとは異なり、自己進化エージェントは、モデルやツールを更新し、環境ダイナミクスに対応する自律進化サイクルを組み込む。 本稿では,自己進化型エージェントAIの概要を概説し,その階層化アーキテクチャ,ライフサイクル,鍵となる技術について述べる。
  論文  参考訳（メタデータ） (2025-10-07T05:45:25Z)
• A Comprehensive Survey of Self-Evolving AI Agents: A New Paradigm Bridging Foundation Models and Lifelong Agentic Systems [53.37728204835912]
  既存のAIシステムは、デプロイ後も静的な手作業による構成に依存している。 近年,インタラクションデータと環境フィードバックに基づいてエージェントシステムを自動拡張するエージェント進化手法が研究されている。 この調査は、自己進化型AIエージェントの体系的な理解を研究者や実践者に提供することを目的としている。
  論文  参考訳（メタデータ） (2025-08-10T16:07:32Z)
• A Survey of Self-Evolving Agents: On Path to Artificial Super Intelligence [87.08051686357206]
  大きな言語モデル(LLM)は強力な能力を示しているが、基本的に静的である。 LLMはますますオープンでインタラクティブな環境にデプロイされているため、この静的な性質は重要なボトルネックとなっている。 この調査は、自己進化エージェントの体系的で包括的なレビューを初めて提供する。
  論文  参考訳（メタデータ） (2025-07-28T17:59:05Z)
• OminiAdapt: Learning Cross-Task Invariance for Robust and Environment-Aware Robotic Manipulation [1.4719692998274154]
  本稿では,ヒューマノイドロボットに適した模倣学習アルゴリズムを提案する。 主な課題に焦点をあてて,提案アルゴリズムは環境障害を抑制する。 実験の結果,提案手法は様々なタスクシナリオに対して頑健さとスケーラビリティを示すことがわかった。
  論文  参考訳（メタデータ） (2025-03-27T08:28:22Z)
• Towards Conscious Service Robots [21.66931637743555]
  現実世界のロボティクスは、可変性、高次元状態空間、非線形依存、部分観測可能性といった課題に直面している。 現在の機械学習モデルとは異なり、人間は体系的な一般化とメタ認知を可能にする認知アーキテクチャのために、変化や新しいタスクに素早く適応する。 次世代のサービスロボットは、新しい状況に対処し、リスクを避け、エラーを軽減するために自分自身を監視する。
  論文  参考訳（メタデータ） (2025-01-25T12:32:52Z)
• Learning body models: from humans to humanoids [2.855485723554975]
  人間と動物は、複数の感覚のモダリティからの情報を組み合わせて、複雑な体を制御し、成長、失敗、ツールの使用に適応する。 鍵となる基礎は、エージェント(人間、動物、ロボット)が開発してきた身体の内部表現である。 脳内での体モデルの操作のメカニズムは、ほとんど不明であり、出生後の経験からどのように構築されているかは、あまり分かっていない。
  論文  参考訳（メタデータ） (2022-11-06T07:30:01Z)

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。