論文の概要: MimicAgent: Quadruped Skills via Prompt-to-Trajectory Generation

• arxiv url: http://arxiv.org/abs/2609.24145v1
• Date: Mon, 21 Sep 2026 05:56:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-24 15:51:59.38508
• Title: MimicAgent: Quadruped Skills via Prompt-to-Trajectory Generation
• Title（参考訳）: MimicAgent: Prompt-to-Trajectory ジェネレーションによる4人称スキル
• Abstract要約: ダイナミックな四足歩行スキルを学習するための素早い軌跡生成フレームワークであるMimicAgentを提案する。 我々の仮説は,大規模なモーションキャプチャデータセットをトレーニングポリシのリファレンスとして活用するヒューマノイドの例誘導RLの成功に動機付けられている。
• 参考スコア（独自算出の注目度）: 43.90994250540342
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present MimicAgent, a prompt-to-trajectory generation framework for learning dynamic quadruped skills. Although reward shaping is extensively used when training quadruped policies, navigating the resulting reward landscape is notoriously difficult, requiring hours of "graduate student descent". Eureka attempts to automate reward design with LLMs, but we find that it struggles to generalize across diverse skills and morphologies. Our key observation is that it is far easier for a human - and by association, an LLM - to generate reference motions than to shape reward functions. Our hypothesis is motivated by the success of example-guided RL for humanoids, which exploits large-scale motion capture datasets as references for training locomotion policies. Unlike humanoids, quadrupeds lack such reference motion data. Towards this end, we propose MimicAgent, an agentic harness that, given a skill prompt, generates quadruped reference trajectories with coding agents. These coarse reference trajectories are then used to train example-guided RL policies that are deployable in simulation and in the real-world. Notably, we find that when prompting Claude Fable 5.1 within our agentic harness, 87% of prompts yield semantically aligned reference trajectories.
• Abstract（参考訳）: ダイナミックな四足歩行スキルを学習するための素早い軌跡生成フレームワークであるMimicAgentを提案する。 報酬形成は4つの政策を訓練する際に広く用いられるが、得られる報酬のランドスケープをナビゲートすることは「大学院生の降下」に何時間もかかることで悪名高い。 EurekaはLLMで報酬設計を自動化しようとするが、多様なスキルや形態をまたいだ一般化に苦慮している。 我々のキーとなる観察は、人間は報酬関数を形作るよりも、より容易にレファレンスモーションを生成できるということです。 我々の仮説は、大規模モーションキャプチャーデータセットをロコモーションポリシーのトレーニング基準として活用するヒューマノイドの例誘導RLの成功に動機づけられている。 ヒューマノイドとは異なり、四重項はそのような参照運動データを持たない。 そこで本論文では,コーディングエージェントを用いた4つの参照トラジェクトリを生成するエージェントハーネスであるMimicAgentを提案する。 これらの粗い参照軌道は、シミュレーションや現実世界にデプロイ可能なサンプル誘導型RLポリシーの訓練に使用される。 特に、エージェントハーネス内でClaude Fable 5.1をプロンプトすると、プロンプトの87%が意味的に整列した参照トラジェクトリを生成する。

関連論文リスト

• RAGEN: Understanding Self-Evolution in LLM Agents via Multi-Turn Reinforcement Learning [125.96848846966087]
  対話型エージェントとしての大規模言語モデル(LLM)のトレーニングには,ユニークな課題がある。 強化学習は静的タスクの進行を可能にする一方で、マルチターンエージェントRLトレーニングは未探索のままである。 本稿では、軌道レベルのエージェントRLのための一般的なフレームワークであるStarPOを提案し、LLMエージェントのトレーニングと評価のためのモジュールシステムであるRAGENを紹介する。
  論文  参考訳（メタデータ） (2025-04-24T17:57:08Z)
• ReAct Meets ActRe: When Language Agents Enjoy Training Data Autonomy [47.42940885853956]
  A$3$TはAutonomousを実現するフレームワークである。 法律の様式における代理人軌道の AlfWorldでは、A$3$Tで訓練されたエージェントが1発成功率96%、100%成功率4回を達成している。
  論文  参考訳（メタデータ） (2024-03-21T17:43:44Z)
• SPOC: Imitating Shortest Paths in Simulation Enables Effective Navigation and Manipulation in the Real World [46.02807945490169]
  シミュレーションにおける最短パスプランナーの模倣は,RGBセンサ(深度マップやGPS座標なし)のみを用いて,シミュレーションと現実世界の両方でオブジェクトの操作,探索,操作を行うエージェントを生成することを示す。 この驚くべき結果は、エンドツーエンドのトランスフォーマーベースのSPOCアーキテクチャ、広範な画像拡張と組み合わせた強力なビジュアルエンコーダによって実現されます。
  論文  参考訳（メタデータ） (2023-12-05T18:59:45Z)
• Guiding Pretraining in Reinforcement Learning with Large Language Models [133.32146904055233]
  テキストコーパスからの背景知識を用いて探索を図形化する手法について述べる。 このメソッドはELLMと呼ばれ、言語モデルによって提案される目標を達成するエージェントに報酬を与える。 大規模な言語モデルの事前訓練を活用することで、ELLMはエージェントをループに人間を必要とせず、人間に有意義で、もっとも有用な行動へと導く。
  論文  参考訳（メタデータ） (2023-02-13T21:16:03Z)
• PEBBLE: Feedback-Efficient Interactive Reinforcement Learning via Relabeling Experience and Unsupervised Pre-training [94.87393610927812]
  我々は、フィードバックと非政治学習の両方の長所を生かした、非政治的、インタラクティブな強化学習アルゴリズムを提案する。 提案手法は,従来ヒト・イン・ザ・ループ法で検討されていたよりも複雑度の高いタスクを学習可能であることを実証する。
  論文  参考訳（メタデータ） (2021-06-09T14:10:50Z)
• Data-Driven Reinforcement Learning for Virtual Character Animation Control [0.0]
  社会的行動は、世界との物理的相互作用の欠如のために、報酬関数を設計することが困難です。 本稿では,この課題に対処する新しいデータ駆動型ディープRLアプローチであるRLAnimateを提案する。 エージェント,環境,状態,行動といった要素の概念的役割を解明し,エージェントの数学的構造を定式化する。 提案手法を用いて学習したエージェントは,反復的なRL学習プロセスを用いて,多動作を表現するための汎用的アニメーション力学を学習する。
  論文  参考訳（メタデータ） (2021-04-13T17:05:27Z)
• Semi-supervised reward learning for offline reinforcement learning [71.6909757718301]
  トレーニングエージェントは通常、報酬機能が必要ですが、報酬は実際にはほとんど利用できず、エンジニアリングは困難で手間がかかります。 限定されたアノテーションから学習し,ラベルなしデータを含む半教師付き学習アルゴリズムを提案する。 シミュレーションロボットアームを用いた実験では,動作のクローン化が大幅に向上し,真理の報奨によって達成される性能に近づいた。
  論文  参考訳（メタデータ） (2020-12-12T20:06:15Z)
• Towards Learning to Imitate from a Single Video Demonstration [11.15358253586118]
  我々は,映像観察を模倣して学習できる強化学習エージェントを開発した。 我々は、Siameseリカレントニューラルネットワークアーキテクチャを使用して、モーションクリップ間の空間と時間における報酬を学習する。 シミュレーションされたヒューマノイド, 犬, ラプターエージェントを2D, 四足歩行, ヒューマノイドを3Dで示す。
  論文  参考訳（メタデータ） (2019-01-22T06:46:19Z)

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。