論文の概要: RACaP: Agentic Reasoning, Acting, and Coding as Policies for Evolvable Robot Learning
- arxiv url: http://arxiv.org/abs/2609.29394v1
- Date: Thu, 24 Sep 2026 11:22:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-25 21:10:09.868374
- Title: RACaP: Agentic Reasoning, Acting, and Coding as Policies for Evolvable Robot Learning
- Title（参考訳）: RACaP:進化可能なロボット学習のためのエージェント推論・アクティング・コーディング
- Abstract要約: 汎用ロボットエージェントは経験から学び、新しいタスクに移行し、効率的に行動しなければならない。
Code as Policies (CaP) メソッドは実行時にプログラムを生成して修復し、遅延を発生させ、再利用可能なメカニズムをタスク固有の決定に絡ませる。
我々は、コーディングを進化へ移行するエージェントフレームワークであるRACaPを導入し、Reasoning-and-Acting(ReAct)ループを使用して、デプロイ時に凍結型ポリシーAPIを呼び出します。
- 参考スコア（独自算出の注目度）: 61.4848860546758
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: General-purpose robot agents must learn from experience, transfer to new tasks, and act efficiently. Code as Policies (CaP) methods generate and repair programs at runtime, incurring latency and entangling reusable mechanisms with task-specific decisions. We introduce RACaP, an agentic framework that moves coding to evolution and uses a Reasoning-and-Acting (ReAct) loop to call frozen, typed Policy APIs at deployment. A two-phase strategy combines capability curriculum learning with autonomous self-evolution to improve the APIs, the ReAct harness, and experience memory. The APIs encode reusable physical mechanisms while exposing arguments for runtime adaptation. ReAct combines task-specific working memory, long-term experience memory, and visual feedback to select actions, verify outcomes, and recover from failures without modifying source code. RACaP achieves 54.4% success on LIBERO-90, 45.0% on zero-shot LIBERO-PRO, and 46.0% on LIBERO-Long, compared with at most 4.0% for CaP baselines on long-horizon tasks. On LIBERO-PRO, it achieves 2.5 times the success rate of CaP baselines and a 1.9-fold speedup in median policy time. For efficient on-robot deployment, rejection-sampled fine-tuning distills GPT-5.6 ReAct decisions into Qwen3-VL-8B-Instruct, yielding a 13.2-fold per-decision inference speedup and reducing repeated physical calls from 16 to 4. These results show that separating reusable code from runtime decisions supports continued evolution, effective transfer, and efficient long-horizon control.
- Abstract（参考訳）: 汎用ロボットエージェントは経験から学び、新しいタスクに移行し、効率的に行動しなければならない。
Code as Policies (CaP) メソッドは実行時にプログラムを生成して修復し、遅延を発生させ、再利用可能なメカニズムをタスク固有の決定に絡ませる。
我々は、コーディングを進化へ移行するエージェントフレームワークであるRACaPを導入し、Reasoning-and-Acting(ReAct)ループを使用して、デプロイ時に凍結型ポリシーAPIを呼び出します。
2段階の戦略では、能力カリキュラム学習と自律的な自己進化を組み合わせることで、APIの改善、ReActのハーネス、メモリエクスペリエンスを実現している。
APIは再利用可能な物理メカニズムをエンコードし、実行時適応のための引数を公開する。
ReActはタスク固有のワーキングメモリ、長期的なエクスペリエンスメモリ、視覚的なフィードバックを組み合わせて、ソースコードを変更することなくアクションを選択し、結果を確認し、失敗から回復する。
RACaPはLIBERO-90では54.4%、ゼロショットのLIBERO-PROでは45.0%、LIBERO-Longでは46.0%で成功している。
LIBERO-PROでは、CaPベースラインの2.5倍の成功率と、中央値の政策時間における1.9倍のスピードアップを達成する。
ロボットの効率的な展開のために、リジェクションサンプリングされた微調整蒸留機 GPT-5.6 はQwen3-VL-8B-インストラクトに反応し、13.2倍の精度で推論速度を上げ、16から4までの繰り返し物理呼び出しを減らした。
これらの結果は、再利用可能なコードと実行時の決定を分離することで、継続的な進化、効率的な転送、効率的な長距離制御が可能であることを示している。
関連論文リスト
- Stable and Efficient Real-World Online VLA Post-Training via Asynchronous Replay-Anchored Policy Improvement [60.83624556700821]
本稿では,リプレイ動作における批評家とアクターの更新の両方を基盤として,ロールアウトと学習を同時に行うフレームワークを提案する。
RAPolicyを4つのシングルタスク設定と1つのジョイント5タスク設定で実世界で評価し,オンライントレーニングの予算は1～2時間に過ぎなかった。
論文 参考訳（メタデータ） (2026-09-19T08:45:18Z) - Learning and Transferring Closed-Loop Robot Software [11.7547120211534]
クローズドループロボットポリシーは、観察処理、状態管理、状況に依存した分岐を必要とする。
我々は、ソースタスクにおける実装の改善が、新しいタスクのポリシー獲得にも役立つかどうかを考察する。
各ソースタスクに対して、コーディングエージェントは、いくつかの成功したデモからポリシーコードを生成し、シミュレーションフィードバックを使用して反復的に改善する。
新しいタスクのために、エージェントは、アーカイブされた実装、ターゲットのデモ、実行フィードバックを使用してポリシーを生成し、改善する。
論文 参考訳（メタデータ） (2026-09-17T08:51:12Z) - Reinforcement Learning for Real-Time Vision-Language-Action Policies [71.61893237919794]
Real-Time EXPO-FTはリアルタイムVLAポリシーを微調整するためのRLフレームワークである。
Kinetixベンチマークでは、Real-Time EXPO-FTにより、遅延ポリシーが最高のパフォーマンスを達成することができる。
4つの動的な実世界のタスクにおいて、Real-Time EXPO-FTは平均的なポリシー性能を42%から97%に改善する。
論文 参考訳（メタデータ） (2026-09-16T06:38:36Z) - REVOLVE: An Automated Closed-Loop Framework for Evolving Robot Manipulation with Minimal Human Intervention [17.399763167916195]
人間の介入を最小限に抑えてロボット操作を進化させるための自動クローズドループフレームワークであるREVOLVEを提案する。
統一されたソフトウェアプラットフォーム上に構築されたREVOLVEは、データ収集、ポリシトレーニングとデプロイメント、障害回復、継続的な学習を単一のクローズドループワークフローに統合する。
論文 参考訳（メタデータ） (2026-09-13T16:08:03Z) - EmbodiedSkills: A Unified Framework for Orchestrating, Training, and Deploying VLA Agents [56.25120535601186]
視覚言語アクション(VLA)モデルは、視覚観察と言語指示を直接ロボットアクションにマッピングする。
本稿では,各スキル決定を実行提案として扱うフレームワークであるEmbodiedSkillsを提案する。
共有可能スキルインタフェースは、ハイレベルスキル選択、バウンドローレベルVLA実行、ポストアクション検証を接続する。
論文 参考訳（メタデータ） (2026-09-01T14:14:47Z) - Mastermind: Strategy-grounded Learning for Repository-Scale Vulnerability Reproduction [62.42945715963878]
リポジトリレベルの脆弱性の再現は、要求の多いソフトウェアエンジニアリング(SE)タスクである。
最近のLLMエージェントは、アプローチが正しい場合、しばしばこれらのステップを実行するが、間違った戦略を選択することで失敗する。
本論では, アクションの完全な軌跡ではなく, 戦略がSEエージェントの適切な学習単位であることを論じる。
論文 参考訳（メタデータ） (2026-07-02T06:27:27Z) - RoboClaw: An Agentic Framework for Scalable Long-Horizon Robotic Tasks [28.827331437876452]
データ収集、ポリシー学習、タスク実行を単一のVLM駆動コントローラで統合するエージェントロボットフレームワークであるRoboClawを提案する。
ポリシーレベルでは、RoboClaw氏はEntangled Action Pairs(EAP)を紹介している。
デプロイ中、同じエージェントが高レベルの推論を行い、学習されたポリシープリミティブを動的にオーケストレーションして長期のタスクを遂行する。
論文 参考訳（メタデータ） (2026-03-12T05:22:59Z) - Learning to Accelerate Vision-Language-Action Models through Adaptive Visual Token Caching [25.295588774254952]
我々は、学習可能なポリシー最適化問題として推論加速度を再構成する。
本稿では,タスク認識による意思決定プロセスを直接Vision-Language-Actionモデルに統合する新しいフレームワークを提案する。
提案手法は, 平均成功率を同時に向上させながら, 1.76倍のウォールクロック推定速度向上を実現する。
論文 参考訳（メタデータ） (2026-01-31T12:12:51Z) - DARS: Dynamic Action Re-Sampling to Enhance Coding Agent Performance by Adaptive Tree Traversal [55.13854171147104]
大規模言語モデル(LLM)は、自然言語処理、データ分析、ソフトウェア開発など、さまざまな領域に革命をもたらした。
符号化エージェントのための新しい推論時間計算スケーリングアプローチである動的アクション再サンプリング(DARS)を提案する。
我々は、SWE-Bench Liteベンチマークに対する我々のアプローチを評価し、このスケーリング戦略がClude 3.5 Sonnet V2で55%のパス@kスコアを達成したことを実証した。
論文 参考訳（メタデータ） (2025-03-18T14:02:59Z)
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。