論文の概要: HarnessPAI: An Evolving Harness for Physical AI
- arxiv url: http://arxiv.org/abs/2609.29166v1
- Date: Thu, 24 Sep 2026 07:40:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-25 21:10:09.774997
- Title: HarnessPAI: An Evolving Harness for Physical AI
- Title（参考訳）: HarnessPAI: 物理AIのための進化的ハーネス
- Abstract要約: 本稿では,物理AIのためのモデルおよび具体化に依存しないフレームワークであるHarnessPAIを紹介する。
ロールアウト内では、プログラムレベルでオープンループを実行する。
デスクトップロボットアーム、家庭用ロボット、ロボット掃除機、そして歩行エージェントのHarnessPAIは、純粋なアクションモデルとコード・アズ・ポリティクスのベースラインの両方を改善している。
- 参考スコア（独自算出の注目度）: 64.91964104275483
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Physical AI aims to build embodied agents that perceive the world, understand and reason about it, and decide how to act. Yet the field has focused primarily on the last component: the action model that maps observations to low-level controls. The prevailing training recipe can erode the perceptual and reasoning capabilities needed for robust behavior, leaving even strong action models vulnerable to scene perturbations and long-horizon tasks. We introduce HarnessPAI, a model- and embodiment-agnostic Harness framework for Physical AI that treats code as the executable and evolvable interface that organizes the underlying action primitive. The framework separates two timescales: within a rollout, it executes open-loop at the program level, with a fixed program guiding and checking execution; across rollouts, it evolves closed-loop, using execution feedback to revise the program and distill failures into reusable skills. Across desktop robot arms, household robots, a robot vacuum, and a legged walking agent, HarnessPAI improves on both pure action models and code-as-policy baselines without retraining the underlying model: a 61.6-point gain over $π_{0.5}$ on LIBERO-PRO and a 27.2-point gain over WorldDreamer on RoboCasa atomic tasks. Once a program is selected, rollout execution requires no online high-level LLM deliberation. Beyond execution, the converged program is also a cheap and reliable expert-data collector, and fine-tuning $π_{0.5}$ on collected expert data lifts success rate on LIBERO-PRO by 38.8 points. Our results suggest that the frontier of Physical AI depends not only on stronger action models, but also on executable harnesses that integrate perception, task understanding and reasoning, and action execution into a unified, verifiable, and feedback-driven system. Website: https://darwin-agent.github.io/HarnessPAI
- Abstract（参考訳）: 物理AIは、世界を知覚し、それを理解し、推論し、どのように振る舞うかを決定するエンボディエージェントを構築することを目的としています。
しかし、フィールドは、主に最後のコンポーネントである、観測を低レベルのコントロールにマッピングするアクションモデルに焦点を当てている。
一般的なトレーニングレシピでは、堅牢な振る舞いに必要な知覚と推論能力が損なわれ、シーンの摂動や長時間の作業に弱いアクションモデルさえ残される。
HarnessPAIは,動作プリミティブを編成する実行可能な,進化可能なインターフェースとしてコードを扱う物理AIのための,モデルおよび実施非依存のHarnessフレームワークである。
このフレームワークは2つのタイムスケールを分離している: ロールアウト内では、プログラムレベルでオープンループを実行し、プログラムをガイドし、実行をチェックする。
デスクトップロボットアーム、家庭用ロボット、ロボット掃除機、脚付きウォーキングエージェントを含むHarnessPAIは、純粋なアクションモデルとコード・アズ・ポリティクスのベースラインの両方を、基礎モデルをトレーニングすることなく改善している: LIBERO-PROの$61.6ポイント以上のゲイン、RoboCasaの原子タスクのWorldDreamerよりも27.2ポイントのゲイン。
プログラムが選択されると、ロールアウトの実行は、オンラインの高レベルのLCM検討を必要としない。
実行以外には、収束プログラムは安価で信頼性の高い専門家データ収集装置であり、収集された専門家データに対する$π_{0.5}$の微調整はLIBERO-PROの成功率を38.8ポイント引き上げる。
我々の結果は、物理AIのフロンティアは、より強力なアクションモデルだけでなく、認識、タスク理解と推論、アクション実行を統一的で検証可能なフィードバック駆動システムに統合する実行可能なハーネスにも依存していることを示唆している。
ウェブサイト:https://darwin-agent.github.io/HarnessPAI
関連論文リスト
- CARE: Experience-Guided Atomic Corrective Execution for Vision-Language-Action Policies [52.32735203969873]
VLA(Vision-Language-Action)ポリシーは、ロボット操作において強力なパフォーマンスを達成するが、実行が名目上の軌道から逸脱した後も不安定なままである。
本稿では,実行時に発生する障害から学習することで回復を改善するフレームワークであるCARE(Corrective Atomic Robotic Execution)を提案する。
論文 参考訳（メタデータ） (2026-09-21T05:14:34Z) - AR-WAM: A Visual-Conditioned Agent-Ready World Action Model for Robotic Manipulation [31.9606890046955]
視覚-言語-アクションモデルと世界アクションモデルはまだ操作タスクを指定するために自然言語命令に依存している。
本稿では、言語を2つの相補的な条件で置き換える視覚条件付きエージェント対応世界アクションモデルAR-WAMを提案する。
RoboTwin 2.0、RMBench、および本物のAstribot S1デュアルアームプラットフォームでは、AR-WAMは標準操作における最強のベースラインと一致する。
論文 参考訳（メタデータ） (2026-09-20T11:55:26Z) - Self-Evolving Embodied Agents via Skill-Harness Evolution [53.307052568223945]
身体的エージェントは、ファンデーションモデルを中心としたシステムとして、ますます構築されている。
教師付き微調整と強化学習はエージェントを新しい環境に適応させることができるが、追加のデータ、報酬、トレーニングの実行が必要である。
SHAPERは,モデルパラメータの凍結を保ちつつ,列車不要な態様適応のための自己進化型フレームワークである。
論文 参考訳（メタデータ） (2026-08-11T18:55:58Z) - 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) - RoboEvolve: Co-Evolving Planner-Simulator for Robotic Manipulation with Limited Data [39.935955987139515]
RoboEvolveは、VLMプランナーとVGMシミュレータを相互に強化した共進化ループに結合する新しいフレームワークである。
無ラベルのシードイメージで 純粋に操作することです
自律的な進歩的なカリキュラムによってガイドされ、システムは自然に単純な原子活動から複雑なタスクへとスケールする。
論文 参考訳（メタデータ） (2026-05-13T16:54:36Z) - AtomVLA: Scalable Post-Training for Robotic Manipulation via Predictive Latent World Models [9.608633915316252]
VLA(Vision-Language-Action)モデルでは、一般化可能なロボット操作の可能性を示している。
現在のパラダイムは、教師付き微調整中の粗大でハイレベルなタスク命令に依存している。
スケーラブルなオフライン後トレーニングパイプラインと統合された,最初のサブタスク対応VLAフレームワークである方法を提案する。
論文 参考訳（メタデータ） (2026-03-09T15:52:48Z) - Self-Correcting VLA: Online Action Refinement via Sparse World Imagination [55.982504915794514]
本稿では, 自己補正VLA (SC-VLA) を提案する。
SC-VLAは最先端のパフォーマンスを達成し、最高タスクスループットを16%削減し、最高パフォーマンスのベースラインよりも9%高い成功率を得る。
論文 参考訳（メタデータ） (2026-02-25T06:58:06Z) - Physical Autoregressive Model for Robotic Manipulation without Action Pretraining [65.8971623698511]
我々は、自己回帰ビデオ生成モデルを構築し、物理自己回帰モデル(PAR)を提案する。
PARは、アクション事前トレーニングを必要とせず、物理力学を理解するために、ビデオ事前トレーニングに埋め込まれた世界の知識を活用する。
ManiSkillベンチマークの実験は、PARがPushCubeタスクで100%の成功率を達成したことを示している。
論文 参考訳（メタデータ） (2025-08-13T13:54:51Z)
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。