論文の概要: Robot Tool Design from Scratch via Behavior-Aware Hierarchical Optimization

• arxiv url: http://arxiv.org/abs/2609.35479v1
• Date: Mon, 28 Sep 2026 15:56:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-02 05:02:00.097482
• Title: Robot Tool Design from Scratch via Behavior-Aware Hierarchical Optimization
• Title（参考訳）: 行動認識階層最適化によるスクラッチからのロボットツール設計
• Abstract要約: タスクのためのツールを設計する能力は、単に理解、選択、使用以上のインテリジェンスレベルを示す。 タスク駆動型ツール設計をスクラッチから研究し,ツールの構造,形状,動作はすべて,所望の物理的結果から導出する。
• 参考スコア（独自算出の注目度）: 7.423410706737684
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The ability to design a tool for a task marks a level of intelligence beyond merely understanding, selecting, or using one. Existing methods for robotic tool design typically optimize a tool's continuous shape and action within a structure that is prescribed or generated beforehand, so the structure itself stays outside the physical optimization loop. We study task-driven tool design from scratch, where tool structure, shape, and action are all derived from the desired physical outcome. Here we show that the three elements can be designed jointly by HOT, a hierarchical optimization whose upper level searches over discrete tool structures with BASS, while lower-level physical optimization evaluates their task behavior and returns milestone progress as behavioral evidence for the search, ultimately providing jointly optimized shape and action. On four tool-use tasks with distinct physical functions, HOT discovers functional structures after evaluating only a small fraction of search spaces containing up to 56 million structures, and the subsequent refinement of their geometry lowers the task loss on all tasks while preserving success, through deformations that are functionally interpretable. Once 3D printed, the tools accomplish all tasks on a real robot with the actions found in simulation. Designing tools from required physical effects, rather than a catalog of known tools, is a step toward the open-ended tool making seen in humans and animals.
• Abstract（参考訳）: タスクのためのツールを設計する能力は、単に理解、選択、使用以上のインテリジェンスレベルを示す。 ロボットツール設計の既存の手法は、通常、事前に決められた、あるいは生成された構造の中で、ツールの連続した形状と動作を最適化する。 タスク駆動型ツール設計をスクラッチから研究し,ツールの構造,形状,動作はすべて,所望の物理的結果から導出する。 これら3つの要素は,BASSを用いた個別ツール構造を上位レベルで探索するHOTによって共同で設計可能である一方で,下位レベルの物理最適化はタスクの挙動を評価し,探索の行動証拠としてマイルストーンの進行を返却し,最終的には共同最適化された形状と動作を提供する。 異なる物理機能を持つ4つのツール利用タスクにおいて、HOTは、最大6600万個の構造を含む検索空間のごく一部しか評価しなかった後に機能的構造を発見し、その後の幾何の洗練により、機能的に解釈可能な変形によって、成功を保ちながら全てのタスクにおけるタスク損失を減少させる。 一度3Dプリントすると、そのツールは本物のロボット上のすべてのタスクを、シミュレーションで見つけたアクションで達成する。 既知のツールのカタログではなく、必要な物理的効果からツールを設計することは、人間や動物に見られるオープンエンドツールへの一歩だ。

関連論文リスト

• The Devil Is in the Interface: Evaluating How Tool Architecture Shapes Coding Agent Behavior [27.33402415317721]
  我々は,リポジトリレベルの問題修正に関する制御実験を通じて,コーディングエージェントのツールアーキテクチャについて検討する。 私たちの実験では、ツールが同じような機能を提供する場合でも、ツールアーキテクチャがエージェントの振る舞いを変えることが示されています。
  論文  参考訳（メタデータ） (2026-08-11T19:50:56Z)
• SING: Synthetic Intention Graph for Scalable Active Tool Discovery in LLM Agents [64.59100414726556]
  大規模言語モデル(LLM)エージェントは、コンテキスト、ツール、マルチターン実行を管理するハーネスに依存している。 Retrieval-augmented Tool selectionは、自然な代替手段を提供するが、既存のワンショット検索方法は、独立したツール記述とエージェントの真のタスク意図との整合に失敗する。 我々は、ユーザ意図、ツール機能、ツールコラボレーションパターンをリンクするインテントツーオールグラフを構築する、意図認識型のアクティブツール発見フレームワークであるSINGを提案する。
  論文  参考訳（メタデータ） (2026-06-15T11:37:37Z)
• PerfGuard: A Performance-Aware Agent for Visual Content Generation [53.591105729011595]
  PerfGuardは、ビジュアルコンテンツ生成のためのパフォーマンス対応のエージェントフレームワークである。 ツールのパフォーマンス境界をタスク計画とスケジューリングに統合する。 ツール選択の正確性、実行の信頼性、ユーザの意図との整合性にメリットがあります。
  論文  参考訳（メタデータ） (2026-01-30T05:12:19Z)
• AdaReasoner: Dynamic Tool Orchestration for Iterative Visual Reasoning [66.24374176797075]
  textbfAdaReasonerは、ツール固有の、あるいは明示的な教師付き行動ではなく、一般的な推論スキルとしてツールの使用を学ぶマルチモーダルモデルのファミリーである。 AdaReasonerは、(i)スケーラブルなデータキュレーションパイプラインによって、長期にわたる多段階のツールインタラクションにモデルを公開し、(ii)ツール-GRPO、(ii)ツールの選択とシークエンシングをエンドツーエンドの成功に基づいて優先順位付けする強化学習アルゴリズム、(iii)ツールの使用を動的に規制する適応学習メカニズムによって実現されている。
  論文  参考訳（メタデータ） (2026-01-26T16:04:43Z)
• Adaptive Inverse Kinematics Framework for Learning Variable-Length Tool Manipulation in Robotics [0.0]
  従来のロボットはキネマティクスの知識が限られており、事前にプログラムされたタスクに限られている。 本稿では,ロボットの逆運動学解法の性能向上のための先駆的なフレームワークを提案する。 我々のモデルは、異なる長さの2つの異なるツールを使用する場合、ほぼ区別不可能な性能を達成する。
  論文  参考訳（メタデータ） (2025-10-30T14:44:24Z)
• ToolLibGen: Scalable Automatic Tool Creation and Aggregation for LLM Reasoning [80.10274552177096]
  外部ツールを備えたLarge Language Models (LLM) は、複雑な推論タスクにおけるパフォーマンスの向上を実証している。 このツールに強化された推論が広く採用されるのは、ドメイン固有のツールが不足しているためである。 構造化ツールライブラリに非構造化ツールのコレクションを自動的に組み込むための体系的なアプローチを提案する。
  論文  参考訳（メタデータ） (2025-10-09T04:11:16Z)
• Flexible Tool Selection through Low-dimensional Attribute Alignment of Vision and Language [9.378472434981088]
  柔軟なツール選択は、人間が他の種と区別する複雑な認知能力を反映している。 視覚的ツール認識と言語的タスク理解を橋渡しするために,低次元属性表現を用いたフレームワークを開発した。
  論文  参考訳（メタデータ） (2025-05-28T09:06:04Z)
• Learning Tool Morphology for Contact-Rich Manipulation Tasks with Differentiable Simulation [27.462052737553055]
  本稿では,異なる物理シミュレータを応用して,コンタクトリッチな操作タスクのためのツール形態を自動学習するエンドツーエンドフレームワークを提案する。 提案手法では,タスク性能に関する目的を定義し,タスクの変動をランダムにすることで,頑健な形態学の学習を可能にする。 提案手法の有効性を, ロープの巻き上げ, 箱をひっくり返し, ピースをスクープに押し付けるなど, 様々なシナリオにおける新しいツールの設計手法の有効性を実証する。
  論文  参考訳（メタデータ） (2022-11-04T00:57:36Z)

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。