論文の概要: From Passive Execution to Active Exploration: Agentic Embodied Manipulation in Realistic Environments

• arxiv url: http://arxiv.org/abs/2609.29091v1
• Date: Thu, 24 Sep 2026 06:19:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 21:10:09.748033
• Title: From Passive Execution to Active Exploration: Agentic Embodied Manipulation in Realistic Environments
• Title（参考訳）: 受動的実行からアクティブ探索へ:現実的環境におけるエージェント・エボディード・マニピュレーション
• Abstract要約: 本フレームワークは,高レベルタスク推論のための計画モジュール,視覚的シーン理解のための認識モジュール,低レベル操作のための実行モジュールの3つの協調モジュールで構成されている。 この設計により、ロボットは、タスク関連情報を積極的に取得し、環境フィードバックに基づいてその振る舞いを適応させ、部分的可観測性の下での完全な操作タスクを完了させることができる。 本手法を現実的なFund-and-Placeタスクで評価し,課題のある環境での有効性を実証した。
• 参考スコア（独自算出の注目度）: 34.24081807662234
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent advances in agentic systems have substantially enhanced the long-horizon capability of embodied manipulation. However, many existing frameworks still follow a passive execution paradigm, which limits their applicability to real-world scenarios involving textual semantic cues, distractors, and initially invisible targets. To bridge this gap, we propose an agent-based active exploration framework that enables robots to dynamically interact with the environment rather than merely execute predefined instructions. Specifically, our framework consists of three collaborative modules: a planning module for high-level task reasoning, a perception module for visual scene understanding, and an execution module for low-level manipulation. This design allows the robot to actively acquire task-relevant information, adapt its behavior based on environmental feedback, and complete manipulation tasks under partial observability. Furthermore, we introduce a fine-grained perception-execution interleaving strategy, which tightly couples visual feedback with skill execution to improve exploration robustness. We evaluate our method on a realistic Find-and-Place task, demonstrating its effectiveness in challenging environments where target objects must be actively discovered before manipulation.
• Abstract（参考訳）: エージェントシステムの最近の進歩は、エンボディド操作の長い水平能力を大幅に向上させてきた。 しかし、多くの既存のフレームワークは、まだパッシブな実行パラダイムに従っており、テキストセマンティックキュー、イントラクタ、そして当初目に見えないターゲットを含む現実のシナリオへの適用性を制限している。 このギャップを埋めるために,ロボットが事前に定義された指示を単に実行するのではなく,動的に環境と対話できるエージェントベースの能動的探索フレームワークを提案する。 具体的には、高レベルのタスク推論のための計画モジュール、視覚的なシーン理解のための知覚モジュール、低レベルの操作のための実行モジュールの3つの協調モジュールで構成されている。 この設計により、ロボットは、タスク関連情報を積極的に取得し、環境フィードバックに基づいてその振る舞いを適応させ、部分的可観測性の下での完全な操作タスクを完了させることができる。 さらに,視覚的フィードバックとスキル実行を密結合させて探索堅牢性を向上する,微粒な知覚・実行インターリーブ戦略を導入する。 本研究では,本手法を現実的なFind-and-Placeタスクで評価し,操作前に対象物体を積極的に発見しなければならない困難な環境での有効性を実証する。

関連論文リスト

• Dynamics-Aware Meta-Imitation for Generalization to Unseen Robotic Manipulation [17.382238044141783]
  本稿では,ロボットのデモンストレーションからスキルを学ぶためのフレームワークを提案する。 メタラーニングを統合して共有スキルスペースを構築することで、DAMIは新しいタスクに迅速に適応するためのエージェントを提供する。 我々の手法は、目に見えるタスクの直接推論と目に見えないタスクへの適応に関して、最先端のベースラインより優れています。
  論文  参考訳（メタデータ） (2026-07-17T11:50:03Z)
• Exploratory, Communicative, and Deployable: Vision-Driven Embodied Agents for Open-World Mobile Manipulation [47.58516950734307]
  既存のフレームワークは、しばしば特権化されたシミュレータの状態に依存するか、あるいは完全な命令を仮定し、現実的なデプロイメント課題を回避します。 本稿では,オープンワールドモバイル操作のためのエージェントフレームワークREALを提案する。 我々は、データ収集、教師付き微調整、オンライン強化学習を駆動するための多様なタスク構成を設計する。
  論文  参考訳（メタデータ） (2026-07-15T09:55:45Z)
• Affordance RAG: Hierarchical Multimodal Retrieval with Affordance-Aware Embodied Memory for Mobile Manipulation [20.373596661083152]
  Affordance RAGはゼロショット階層型マルチモーダル検索フレームワークで、事前探索画像からAffordance-Aware Embodied Memoryを構築する。 提案手法は,大規模屋内環境における移動体操作命令の検索性能において,既存の手法よりも優れていた。
  論文  参考訳（メタデータ） (2025-12-22T02:55:25Z)
• Executable Analytic Concepts as the Missing Link Between VLM Insight and Precise Manipulation [70.8381970762877]
  VLM(Vision-Language Models)は、セマンティック推論とタスク計画において顕著な能力を示す。 本稿では,VLMに基づく推論を実行可能な解析概念を通じて基礎づける新しいフレームワークであるGRACEを紹介する。 G GRACEは高レベル命令理解と低レベルロボット制御の統一的で解釈可能なインターフェースを提供する。
  論文  参考訳（メタデータ） (2025-10-09T09:08:33Z)
• What to Do Next? Memorizing skills from Egocentric Instructional Video [43.59787683244105]
  本稿では,新しいタスクである対話型アクションプランニングを提案し,トポロジカルアプライアンスメモリとトランスフォーマーアーキテクチャを組み合わせたアプローチを提案する。 実験の結果,提案手法は意味のある表現を学習し,その結果,行動偏差が発生すると性能が向上し,頑健になることが示された。
  論文  参考訳（メタデータ） (2025-07-01T22:53:41Z)
• Unlocking Smarter Device Control: Foresighted Planning with a World Model-Driven Code Execution Approach [82.27842884709378]
  本研究では,自然言語理解と構造化推論を優先し,エージェントの環境に対するグローバルな理解を高める枠組みを提案する。 本手法は,従来の手法,特にタスク成功率の44.4%向上を達成している。
  論文  参考訳（メタデータ） (2025-05-22T09:08:47Z)
• Humanoid Agent via Embodied Chain-of-Action Reasoning with Multimodal Foundation Models for Zero-Shot Loco-Manipulation [23.43820490179566]
  Humanoid-COAはゼロショットロコ操作のためのエボディード・チェーン・オブ・アクション機構と基礎モデル推論を統合している。 我々のフレームワークは、操作、移動、およびロコ操作タスクにおいて、以前のベースラインを大幅に上回っている。
  論文  参考訳（メタデータ） (2025-04-13T11:37:32Z)
• Embodied Instruction Following in Unknown Environments [64.57388036567461]
  未知環境における複雑なタスクに対するEIF(Embodied instruction following)法を提案する。 我々は,ハイレベルなタスクプランナと低レベルな探索コントローラを含む,階層的な具体化命令に従うフレームワークを構築した。 タスクプランナに対しては、タスク完了プロセスと既知の視覚的手がかりに基づいて、人間の目標達成のための実行可能なステップバイステッププランを生成する。
  論文  参考訳（メタデータ） (2024-06-17T17:55:40Z)

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。