論文の概要: RoboICL: Embodied In-Context Learning with GPT-6 Astra

• arxiv url: http://arxiv.org/abs/2609.34261v1
• Date: Mon, 28 Sep 2026 04:07:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 22:27:25.976564
• Title: RoboICL: Embodied In-Context Learning with GPT-6 Astra
• Title（参考訳）: RoboICL: GPT-6 Astraによるコンテキスト内学習
• Abstract要約: 汎用視覚言語モデルは、ゼロショットロボットの制御に有望な方法を提供する。 本稿では,コンテキスト内ロボット制御フレームワークであるemphRoboICLを紹介する。 RoboICLは、公式のゼロショットgptastraを20-27のプログレススコアポイントで改善する。
• 参考スコア（独自算出の注目度）: 37.172714774429004
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: General-purpose vision-language models offer a promising way to zero-shot robot control: \gptastra{} excels at open-ended and language- or image-conditioned manipulation but remains substantially weaker on high-precision and long-horizon tasks. We introduce \emph{RoboICL}, an in-context robot-control framework that narrows these gaps without robot-specific parameter updates or a learned VLA. RoboICL separates \emph{demonstration context}, which provides recorded examples when available, from \emph{interaction memory}, which accumulates the model's own actions and observed outcomes. Both use a shared observation--action--receipt--observation grammar. To preserve experience across task stages, RoboICL combines sampled demonstration blocks with bounded anchored memory. Fixed anchors keep earlier rollout interactions available for in-context learning, while the latest interaction supports immediate error correction. Across 30 RoboDojo tasks, using zero shot for Open and one demonstration elsewhere, RoboICL improves on official zero-shot \gptastra{} by 20--27 progress-score points in every category. It leads the leaderboard baselines on Memory and Open, achieves comparable performance to the strongest Precision baseline, and remains competitive on Long-Horizon. Its 30-task Overall score is 50.64, versus 33.68 for the strongest baseline. On a separate ten-task subset, RoboICL scores 60.60, within 2.00 points of the $π_{0.5}$ + \gptastra{} hybrid approach. On three real-robot tasks, mean progress rises from 14.45 at zero shot to 63.33 at one shot and 78.89 at three shots. On two development tasks, optional Jev-gated action reuse reduces \gptastra{} calls by 33--48\%. Code is available at \href{https://github.com/Mosi-AI/RoboICL}{https://github.com/Mosi-AI/RoboICL}.
• Abstract（参考訳）: 汎用視覚言語モデルは、ゼロショットロボットの制御に有望な方法を提供する: \gptastra{} は、オープンエンドおよび言語またはイメージコンディショニングの操作に優れるが、高精度で長い水平タスクでは、かなり弱いままである。 本稿では,ロボット固有のパラメータ更新や学習用VLAを使わずに,これらのギャップを狭める,コンテキスト内ロボット制御フレームワークである \emph{RoboICL} を紹介する。 RoboICLは、利用可能な場合に記録された例を提供する \emph{demonstration context} を、モデル自身のアクションと観察結果の蓄積である \emph{interaction memory} から分離する。 どちらも共有観察--アクション--受信--観測文法を使用する。 タスクステージ全体のエクスペリエンスを維持するため、RoboICLはサンプル化されたデモブロックとバウンドアンカーメモリを組み合わせた。 修正アンカーは、早期のロールアウトインタラクションをコンテキスト内学習で利用できるようにし、最新のインタラクションは即時エラー修正をサポートする。 30以上のRoboDojoタスク、Openのゼロショットと別のデモを使って、RoboICLは、すべてのカテゴリの20～27のプログレススコアポイントで、公式のゼロショット \gptastra{}を改善する。 メモリとオープンのリーダーボードベースラインをリードし、最強のPrecisionベースラインに匹敵するパフォーマンスを達成し、Long-Horizonでは競争力を維持している。 30タスクのスコアは50.64で、最強のベースラインは33.68である。 別個のテンタスク部分集合では、RoboICL は $π_{0.5}$ + \gptastra{} ハイブリッドアプローチの2.00 点内において 60.60 となる。 3つの実際のロボットタスクでは、ゼロショットで14.45点から1ショットで63.33点、3ショットで78.89点に上昇した。 2つの開発タスクでは、オプションのJev-gateアクションの再利用により、 \gptastra{}呼び出しが33-48\%削減される。 コードは \href{https://github.com/Mosi-AI/RoboICL}{https://github.com/Mosi-AI/RoboICL} で公開されている。

関連論文リスト

• Robo-Harness K1: Harnessing Robot-Use Agents via Perception Augmentation [61.15247763568461]
  本稿では,ロボット利用エージェントフレームワークであるRobo-Harness K1を紹介する。 一致した LIBERO-PRO タスクでは、Gemini 3.7 Flash with K1 が 77.8% に達し、GPT-6 Astra の 61.1% を RGB のみのハーネスで上回った。 RoboTwin では Easy で 32.0%、Hard で 28.0% を達成し、視覚的および環境的な摂動に対するレジリエンスを示している。
  論文  参考訳（メタデータ） (2026-09-24T11:16:18Z)
• Grounded Action Model: 3D Grounding as a Foundation for Robotics [29.02274437902474]
  Grounded Action Models (GAMs) は、3Dグラウンドで構築されたロボット基盤モデルの新たなパラダイムである。 RoboTwin 2.0では、50タスクの平均成功率は55.3%である(空間強制では52.0%)。 LIBERO-PROでは、16の摂動設定で61%(vs.53% for $_0.5$)の最先端の平均成功率を達成する。
  論文  参考訳（メタデータ） (2026-09-20T20:35:39Z)
• Transferring the Intelligence of VLMs to Robotic Control [49.39888205530348]
  人間は物理的世界とデジタル世界の両方にシームレスに適応でき、人間の知性自体がこのギャップを越えて移動する可能性があることを示唆している。 本稿では,ロボット制御をエージェントVLMに公開するヒューマン直感インタフェースであるRoboDawnを用いて,この問題を考察する。 RoboTwin 2.0 C2RとRoboDojoの実験では、RoboDawnはタスク固有のロボットトレーニングなしで高いパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2026-09-19T11:34:13Z)
• G0.5: One Autoregressive Stream for Robot Reasoning and Action [43.43377463558725]
  本稿では,1つの変圧器デコーダが1つの目的の下で推論とアクショントークンを出力する,事前訓練された自己回帰VLAであるG0.5を紹介する。 推論とアクションは1組の重みを共有しているため、事前訓練されたVLMの能力は物理的な振る舞いへと引き継がれる。 G0.5は7つの独立した体制で最先端のモデルを上回っている。
  論文  参考訳（メタデータ） (2026-08-12T07:26:47Z)
• Uni-LaViRA: Language-Vision-Robot Actions Translation for Unified Embodied Navigation [60.07205156194741]
  身体的なナビゲーションでは、エージェントが言語や視覚的な観察を、実際に見たことのない環境を通して実際のロボットを駆動する空間的な行動の流れにマッピングする必要がある。 統合エージェントアーキテクチャであるUni-LaViRAを4つのタスクファミリと4つの異種実ロボットに拡張する。
  論文  参考訳（メタデータ） (2026-05-26T18:52:04Z)
• FineVLA: Fine-Grained Instruction Alignment for Steerable Vision-Language-Action Policies [26.96931937675281]
  FineVLAは、アクションアライメントされたきめ細かいVLA監視のためのオープンフレームワークである。 オープンソースの10のロボットデータセットから85Kタスクにまたがる992,247のトラジェクトリを統一する。 500本のビデオ、10,816件の原子性事実と1,030件のVQA質問のベンチマークがある。
  論文  参考訳（メタデータ） (2026-05-26T17:01:10Z)
• The Yes-Man Syndrome: Benchmarking Abstention in Embodied Robotic Agents [14.695254264082273]
  視覚言語モデル(VLM)は、エンボディエージェントのプランナーとして使用される。 本稿では, ロボット工学の文脈において, 禁忌を分類するための分類法を提案する。 本稿では,画像に接地した禁忌指示を生成するためのフレームワークであるRoboAbstentionを紹介する。
  論文  参考訳（メタデータ） (2026-05-19T22:32:44Z)
• RoboRefer: Towards Spatial Referring with Reasoning in Vision-Language Models for Robotics [67.11221574129937]
  空間参照は、3D物理世界と相互作用するエンボディロボットの基本的な能力である。 本稿では,まず空間的理解を正確に行うことのできる3次元VLMであるRoboReferを提案する。 RoboReferは、強化微調整による一般化された多段階空間推論を推進している。
  論文  参考訳（メタデータ） (2025-06-04T17:59:27Z)

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。