論文の概要: Intelligence Across Embodiments

• arxiv url: http://arxiv.org/abs/2609.27095v1
• Date: Tue, 22 Sep 2026 21:53:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 00:05:17.783683
• Title: Intelligence Across Embodiments
• Title（参考訳）: 身近な知能
• Abstract要約: 我々は、一般的な具体的知性は、具体的差異にまたがって蓄積される学習を必要とすると論じる。 本稿では,スケーリングの有望な軸として実施形態の多様性を提案し,より広い学習先を相補的な要素として同定する。 より広義には、異種ロボットの経験から学ぶという実践的な課題と、自然に触発されたより広い科学的追求を結び付ける。
• 参考スコア（独自算出の注目度）: 28.139306669466233
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Robotic embodiment encompasses the sensing, kinematics, dynamics, geometry, actuation, and control through which an agent physically interacts with the world. These properties vary across robots and change over time. We argue that general embodied intelligence requires learning that accumulates across these differences. Prevailing methods that engineer correspondences to bridge embodiment differences offer immediate practical gains, but their assumptions limit the scope of transfer in the long run. Instead, a more general approach should discover representations that support transfer to a larger range of embodiments as experience grows. We propose embodiment diversity as a promising axis of scaling, and identify broad learned priors as a complementary ingredient. We call for evaluations that better characterize embodiment gaps and transfer performance. More broadly, cross-embodiment learning connects the practical challenge of learning from heterogeneous robot experience with a broader scientific pursuit inspired by nature - physical intelligence that adapts and co-evolves with its embodiments to gain agency over its behavior and physical forms.
• Abstract（参考訳）: ロボットの実施形態は、エージェントが物理的に世界と相互作用する知覚、運動学、力学、幾何学、運動、制御を含む。 これらの特性はロボットによって異なり、時間とともに変化する。 我々は、一般的な具体的知性はこれらの違いにまたがって蓄積される学習を必要とすると論じる。 橋梁エンボディメントの相違に対処する一般的な手法は、即時的な実用的な利得を提供するが、それらの仮定は長期的には転送範囲を制限する。 代わりに、より一般的なアプローチは、経験が成長するにつれて、より広い範囲の実施物への移動をサポートする表現を見つけるべきである。 本稿では,スケーリングの有望な軸として実施形態の多様性を提案し,より広い学習先を相補的な要素として同定する。 エンボディメントのギャップと転送性能をよりよく特徴づける評価を求める。 より広義には、異種ロボットの経験から学ぶという実践的な課題と、自然にインスパイアされたより広い科学的追求を結び付けている。

関連論文リスト

• Agent Learning via Early Experience [93.83579011718858]
  言語エージェントの長期的な目標は、彼ら自身の経験から学び、改善することであり、最終的には複雑な現実世界のタスクにおいて人間より優れています。 現在のエージェントのほとんどは、専門家データによる教師付き微調整に依存しており、スケールと一般化が不十分である。 本研究では,(1)環境力学における政策の基盤として収集された状態を利用するインプリシット・ワールド・モデリング,(2)エージェントが最適な行動から学習し,推論と意思決定を改善するための自己回帰という2つの手法について検討する。
  論文  参考訳（メタデータ） (2025-10-09T17:59:17Z)
• Human Behavior Atlas: Benchmarking Unified Psychological and Social Behavior Understanding [50.34821397821815]
  Human Behavior Atlasは、テキスト、オーディオ、視覚的モダリティにまたがる10万以上のサンプルで構成されている。 統合作業は冗長性とコストを低減し、タスク間の効率的なスケーリングを可能にし、ドメイン間の行動特徴の一般化を促進する。
  論文  参考訳（メタデータ） (2025-10-06T15:16:45Z)
• AnyBody: A Benchmark Suite for Cross-Embodiment Manipulation [59.671764778486995]
  ロボット工学におけるスケーラブルで伝達可能な学習を実現する上で、新しい実施形態に対する制御ポリシーの一般化は、依然として根本的な課題である。 本稿では,多種多様な形態素を横断する2つの基礎的タスクリーチとプッシュアラウンドに着目し,クロスボデーメント操作の学習のためのベンチマークを紹介する。 異なるRLポリシーが複数の形態から学習し、新しい政策に一般化する能力を評価する。
  論文  参考訳（メタデータ） (2025-05-21T00:21:38Z)
• Towards Embodiment Scaling Laws in Robot Locomotion [33.13851164282621]
  クロス・エボディメントの一般化は、あらゆるロボットに汎用的なエンボディエージェントを構築するというビジョンを支えている。 本研究では, トレーニング実施数の増大により, 目に見えないものへの一般化が促進されるという仮説を考察する。 我々は, 位相的, 幾何学的, 関節的変動を伴う1,000のエボディメントを手続き的に生成し, ランダムな部分集合に関する政策を訓練する。
  論文  参考訳（メタデータ） (2025-05-09T03:25:43Z)
• Online Decision MetaMorphFormer: A Casual Transformer-Based Reinforcement Learning Framework of Universal Embodied Intelligence [2.890656584329591]
  Online Decision MetaMorphFormer (ODM)は、自己認識、環境認識、行動計画の実現を目的としている。 ODMは、異なる環境にあるマルチジョイントボディを持つ任意のエージェントに適用することができ、大規模な事前トレーニングデータセットを使用して、さまざまなタイプのタスクでトレーニングすることができる。
  論文  参考訳（メタデータ） (2024-09-11T15:22:43Z)
• KIX: A Knowledge and Interaction-Centric Metacognitive Framework for Task Generalization [2.4214136080186233]
  我々はメタ認知的推論フレームワーク、Knowledge-Interaction-eXecution(KIX)を導入する。 我々は、型空間を活用することによって、オブジェクトとの相互作用が伝達可能な相互作用の概念の学習を促進し、一般化を促進することを論じる。 このフレームワークは、知識を強化学習に統合するための原則化されたアプローチを提供し、人工知能、ロボティクス、自律システムにおけるジェネラリスト行動の実現手段として約束する。
  論文  参考訳（メタデータ） (2024-02-08T01:41:28Z)
• Machine Psychology [54.287802134327485]
  我々は、心理学にインスパイアされた行動実験において、研究のための実りある方向が、大きな言語モデルに係わっていると論じる。 本稿では,本手法が表に示す理論的視点,実験パラダイム,計算解析技術について述べる。 これは、パフォーマンスベンチマークを超えた、生成人工知能(AI)のための「機械心理学」の道を開くものだ。
  論文  参考訳（メタデータ） (2023-03-24T13:24:41Z)
• Inferring Versatile Behavior from Demonstrations by Matching Geometric Descriptors [72.62423312645953]
  人間は直感的にタスクを多目的に解決し、軌道に基づく計画や個々のステップの行動を変化させる。 現在のImitation Learningアルゴリズムは、通常、単調な専門家によるデモンストレーションのみを考慮し、状態アクションベースの設定で行動する。 代わりに、移動プリミティブの混合と分布マッチングの目的を組み合わせることで、専門家の行動と汎用性にマッチする多目的行動を学ぶ。
  論文  参考訳（メタデータ） (2022-10-17T16:42:59Z)
• Collaborative Training of Heterogeneous Reinforcement Learning Agents in Environments with Sparse Rewards: What and When to Share? [7.489793155793319]
  本研究は,本質的なモチベーションを通じて得られた情報と,より効率的な探索と学習の高速化を目的とした情報を組み合わせることに焦点を当てる。 計算コストの少ない協調的なフレームワークが知識を共有することなく独立した学習プロセスより優れていることを示す。
  論文  参考訳（メタデータ） (2022-02-24T16:15:51Z)

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。