論文の概要: DynaHarness: A Dynamic Physical Harness for Self-Evolving Robot Agents
- arxiv url: http://arxiv.org/abs/2609.40306v1
- Date: Wed, 30 Sep 2026 17:52:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-01 18:57:28.282604
- Title: DynaHarness: A Dynamic Physical Harness for Self-Evolving Robot Agents
- Title（参考訳）: DynaHarness: 自己進化型ロボットエージェントのための動的物理的ハーネス
- Abstract要約: DynaHarnessは動的物理ハーネスで、実行中に既存の機能がどのように接地され、監視され、調整されているかを管理する。
LIBERO-Proでは、DynaHarnessは凍結政策の17.5%と比較して、800の新しいサンプル初期状態において75.2%を達成した。
- 参考スコア（独自算出の注目度）: 7.206235230786401
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Pretrained robot policies provide useful action priors, but long-horizon manipulation still requires coordination between semantic reasoning and physical execution. Semantic reasoning operates at a coarser timescale than physical interaction, while episode-level failures provide limited guidance on which system component should be revised. We propose DynaHarness, a dynamic physical harness that couples semantic reasoning with physical governance through a shared execution contract and turns failure evidence into validated capability revisions. To be more specific, the slow brain proposes capabilities and symbolic arguments, while the fast brain grounds and monitors commands, refuses unresolved actions, substitutes capabilities, and requests replans when needed. The physical execution contract bounds each accepted command and records execution evidence across analytic skills, recovery skills, and the frozen VLA. Failure attribution localizes faults in these records and directs targeted revisions of reusable capabilities or execution mechanisms. Paired regression checks govern admission or rejection, closing the self-evolution loop. On LIBERO-Pro, DynaHarness achieves 75.2% on 800 newly sampled initial states, compared with 17.5% for the frozen policy. With the same capability library, full dynamic execution reaches 74.0% versus 63.9% under nominal one-step replanning. This demonstrates the value of DynaHarness as a dynamic physical harness that governs how existing capabilities are grounded, monitored, and coordinated during execution. Our project page is at https://denghaoyuan123.github.io/Dynaharness_page/.
- Abstract（参考訳）: 事前訓練されたロボットポリシーは有用な行動前処理を提供するが、長い水平操作には意味論的推論と身体的実行の調整が必要である。
セマンティック推論は物理的相互作用よりも粗い時間スケールで動作し、エピソードレベルの障害はどのシステムコンポーネントを改訂すべきかの限られたガイダンスを提供する。
我々はDynaHarnessを提案する。DynaHarnessは、共有実行契約を通じて意味論的推論と物理的なガバナンスを結合し、障害証拠を検証可能な機能修正に変換する動的物理ハーネスである。
より具体的に言うと、遅い脳は能力と象徴的な議論を提案し、速い脳はコマンドをグラウンドし監視し、未解決のアクションを拒否し、機能を置換し、必要に応じて再計画を要求する。
物理実行契約は、受理された各命令を束縛し、解析スキル、回復スキル、凍結したVLAにまたがる実行証拠を記録する。
障害属性はこれらのレコードの障害をローカライズし、再利用可能な機能や実行メカニズムのリビジョンを指示する。
ペアレグレッションチェックは、自己進化ループを閉じて、受け入れまたは拒絶を管理する。
LIBERO-Proでは、DynaHarnessは凍結政策の17.5%と比較して、800の新しいサンプル初期状態において75.2%を達成した。
同じ機能を持つライブラリでは、フルダイナミック実行は74.0%、名目上の一段階のリプランでは63.9%に達する。
これは、動的物理ハーネスとしてのDynaHarnessの価値を示し、実行中に既存の能力がどのように接地され、監視され、調整されているかを管理する。
私たちのプロジェクトページはhttps://denghaoyuan123.github.io/Dynaharness_page/です。
関連論文リスト
- When Can Agents Forget Their Reasoning? ICLR for Long-Horizon Agent Context Compression [55.84813053778976]
ロングホライズル言語モデルエージェントは、推論履歴を継続的に蓄積する。
歴史的推論の除去は、将来の行動と結果として生じる相互作用の軌跡を変える可能性がある。
長軸推論のためのインタラクションアウェア圧縮を提案する。
論文 参考訳（メタデータ） (2026-09-24T14:28:43Z) - HarnessPAI: An Evolving Harness for Physical AI [64.91964104275483]
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。
論文 参考訳（メタデータ） (2026-09-24T07:40:00Z) - PredActor: Predictive Action Diffusion for Steerable Onboard Humanoid Control [49.348182500314614]
アクションのみの拡散は直接アクションを生成するが、テスト時間運動の目的に対する明示的な将来の軌道は欠如している。
連立状態-作用拡散はこの表現を提供するが、代表コントローラはしばしば特権付きフルボディ状態に依存する。
提案するPredActorは,これらのステアリングを直接実行されるポリシに含める,予測的行動拡散ポリシである。
論文 参考訳（メタデータ） (2026-09-21T16:20:25Z) - PhyAgentOS: A Self-Evolving Operating System for Embodied Agents with Decoupled Cognitive Planning and Physical Execution [49.776611937968]
我々は、スケジューリング、検証、メモリ、ベンチマーク、安全性をシステムレベルのサービスとして提供するPhyAgentOSを紹介します。
セッション中心のセッションは、スケジューリング、互換性、監督された実行、エビデンス収集、受け入れの最小単位として、アクションではなくセッションを扱う。
SessionVerifierは、実行終了とセマンティックタスク完了を、成功、失敗、または再計画のエビデンスに基づいて判断する。
ベンチマークはデプロイメントセッションと検証パスを再利用するので、結果は実際の実行に遡る。
論文 参考訳（メタデータ） (2026-07-18T04:46:53Z) - Can Predicted Dynamics Exist in the Physical World? [1.9544213396776273]
予測制御インタフェースとして物理許容性を定式化する。
Hugging Face LeRobot PushTでは、制御されたファルシフィケーションは、一段階の予測-RMSEと標準化されたダイナミクス残差が領域に達することを示している。
リプレイベースの介入実験では、残差ベースのフィルタと完全な物理許容ゲートは、無効な提案の87～89%を防止している。
論文 参考訳（メタデータ） (2026-05-23T16:28:59Z) - A Physical Agentic Loop for Language-Guided Grasping with Execution-State Monitoring [5.437966695589128]
我々は、接地された実行状態上で動作する有界な実施エージェントとして言語誘導の把握を再構築する。
未修正の学習操作プリミティブをラップする物理エージェントループを導入する。
眼内カメラD405を用いた移動マニピュレータのループを検証した。
論文 参考訳（メタデータ） (2026-04-08T08:01:35Z) - Mind the Gap: Learning Implicit Impedance in Visuomotor Policies via Intent-Execution Mismatch [7.078279704479455]
本稿では,学習目標を「インテント・クローン(マスター・コマンド)」にシフトさせるデュアルステート・コンディショニング・フレームワークを提案する。
マスター意図を予測することによって、我々の政策は「仮想平衡点」を生成することを学び、暗黙のインピーダンス制御を効果的に実現した。
これは、低コストハードウェアのための最小限の動作クローニングフレームワークを示し、明示的な力センシングに頼ることなく、力知覚と動的補償を可能にする。
論文 参考訳（メタデータ） (2026-02-09T15:18:12Z) - Can We Predict Before Executing Machine Learning Agents? [74.39460101251792]
データ中心のソリューション優先のタスクを形式化し、18,438対比較の包括的コーパスを構築する。
検証データ解析レポートを作成した場合, LLM は重要な予測能力を示すことを示す。
このフレームワークをForEAGENT(Predict-then-Verifyループを利用するエージェント)でインスタンス化し、実行ベースラインを+6%超えながらコンバージェンスを6倍高速化する。
論文 参考訳（メタデータ） (2026-01-09T16:44:17Z)
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。