論文の概要: Are Frontier VLM Agents Ready to Be Robot Generalists? An Empirical Study with the Embodied Agent Arena

• arxiv url: http://arxiv.org/abs/2610.00854v2
• Date: Mon, 05 Oct 2026 09:07:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-07 04:43:28.506098
• Title: Are Frontier VLM Agents Ready to Be Robot Generalists? An Empirical Study with the Embodied Agent Arena
• Title（参考訳）: フロンティアのVLMエージェントはロボットジェネラリストになる準備はできているか?
• Abstract要約: 本研究では,空洞型エージェントArenaを導入し,幾何学,空間推論,アフォーダンス,タスクプランニング,マニピュレーションにまたがる7つのVLMエージェントを評価する。 精度推定におけるアストラの強みと使用可能な接触局所化は、トレースにおける終端誤差と低い家庭用タスク完了において共存する。
• 参考スコア（独自算出の注目度）: 52.33857619195848
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Frontier vision-language models (VLMs) increasingly estimate scenes, ground interactions, and generate executable actions. How far these native capabilities support embodied generalism across diverse tasks remains unclear. We introduce Embodied Agent Arena to assess seven VLM agents across Geometry, Spatial Reasoning, Affordance, Task Planning, and Manipulation. The arena contains 1,000 cases drawn from 32 established sources and GeoProbe, our new benchmark for geometric estimation on Blender renders and real-scene images. A minimal harness preserves source observations and operations while leaving perception, reasoning, and action selection to the model. Separate measures of metric precision, functional grounding, and native goal completion connect local competence to complete task outcomes. Astra's strengths in precise estimation and usable-contact localization coexist with endpoint errors in tracing and low household-task completion. Supplementary comparisons of richer observations and multi-round review show model- and task-dependent effects. Current VLM agents thus fall short of embodied generalism: they often make partial progress without satisfying all task goals within allotted time and interaction budgets.
• Abstract（参考訳）: フロンティア視覚言語モデル(VLM)は、シーン、接地相互作用を推定し、実行可能なアクションを生成する。 これらのネイティブ機能は、様々なタスクにまたがる一般化をサポートするかは、まだ不明である。 本研究では,空洞型エージェントArenaを導入し,幾何学,空間推論,アフォーダンス,タスクプランニング,マニピュレーションにまたがる7つのVLMエージェントを評価する。 このアリーナには、32の確立されたソースから抽出された1,000のケースと、Blenderレンダリングとリアルタイム画像の幾何推定のための新しいベンチマークであるGeoProbeが含まれている。 最小限のハーネスは、知覚、推論、行動選択をモデルに残しながら、ソースの観測と操作を保存する。 計量精度、機能的接地、およびネイティブゴール完了の別々の尺度は、局所的な能力とタスクの完全な結果とを結びつける。 精度推定におけるアストラの強みと使用可能な接触局所化は、トレースにおける終端誤差と低い家庭用タスク完了において共存する。 よりリッチな観察と多ラウンドレビューの補助的な比較は、モデルとタスクに依存した効果を示す。 したがって、現在のVLMエージェントは、時間と相互作用の予算で全てのタスク目標を満たすことなく、部分的な進歩をすることが多い。

関連論文リスト

• SpatialWorld: Benchmarking Interactive Spatial Reasoning of Multimodal Agents in Real-World Tasks [73.92333717662558]
  SpaceWorldは、複雑な現実世界のタスクにおけるマルチモーダルエージェントのインタラクティブな空間的理解を評価するためのベンチマークである。 多様なドメイン(例えば、家庭のルーチン、旅行、社会協力など)にまたがる760の人称タスクが特徴である。 信頼性評価のために、各タスクは、人間検証された初期状態、参照軌跡、端末状態検証器を含む。
  論文  参考訳（メタデータ） (2026-06-08T15:51:51Z)
• GOPLA: Generalizable Object Placement Learning via Synthetic Augmentation of Human Arrangement [16.549660613125877]
  GOPLAは、拡張された人間のデモンストレーションから一般化可能なオブジェクト配置を学ぶ階層的なフレームワークである。 データ不足を克服するため、私たちは、人間の配置デモを多様な合成トレーニングデータに拡張するスケーラブルなパイプラインを導入しました。 提案手法は, 位置決め精度と身体的妥当性を指標として, ランナアップよりも30.04ポイントの配置成功率を向上する。
  論文  参考訳（メタデータ） (2025-10-16T12:38:14Z)
• Information-Theoretic Graph Fusion with Vision-Language-Action Model for Policy Reasoning and Dual Robotic Control [22.74768543283102]
  Graph-Fused Vision-Language-Action (GF-VLA)は、デュアルアームロボットシステムがタスクレベルの推論と実行を可能にするフレームワークである。 GF-VLAはまずシャノン情報に基づく手がかりを抽出し、最も高いタスク関連性を持つ手や物体を識別する。 クロスハンド選択ポリシーは、明示的な幾何学的推論なしで最適な割り当てを推測する。
  論文  参考訳（メタデータ） (2025-08-07T12:48:09Z)
• WorkArena++: Towards Compositional Planning and Reasoning-based Common Knowledge Work Tasks [85.95607119635102]
  大型言語モデル(LLM)は人間のような知性を模倣することができる。 WorkArena++は、Webエージェントの計画、問題解決、論理的/論理的推論、検索、コンテキスト的理解能力を評価するように設計されている。
  論文  参考訳（メタデータ） (2024-07-07T07:15:49Z)
• Can Foundation Models Perform Zero-Shot Task Specification For Robot Manipulation? [54.442692221567796]
  タスク仕様は、熟練していないエンドユーザの関与とパーソナライズされたロボットの採用に不可欠である。 タスク仕様に対する広く研究されているアプローチは、目標を通じて、コンパクトな状態ベクトルまたは同じロボットシーンのゴールイメージを使用することである。 そこで本研究では,人間の指定や使用が容易な目標仕様の代替的,より汎用的な形式について検討する。
  論文  参考訳（メタデータ） (2022-04-23T19:39:49Z)

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。