論文の概要: Recova: Agent-Guided Failure Recovery for Autonomous Robotic Manipulation

• arxiv url: http://arxiv.org/abs/2610.01178v1
• Date: Thu, 01 Oct 2026 06:52:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:23.952793
• Title: Recova: Agent-Guided Failure Recovery for Autonomous Robotic Manipulation
• Title（参考訳）: Recova: 自律型ロボットマニピュレーションのためのエージェントガイド型障害回復
• Abstract要約: Recovaはエージェント誘導型フレームワークで、再構築されたデジタルツインでタスク実行とリカバリを共同で開発する。 双子では、エージェントは障害を診断し、修正プログラムをテストし、異なるポリシーのために正常なタスクとリカバリのロールアウトを収集する。 適切なリカバリが得られない場合、人間のデモによって障害が解決され、システムがリカバリ機能を拡張することができる。
• 参考スコア（独自算出の注目度）: 104.46042352396563
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Manipulation failures can leave scenes in states from which a task policy cannot recover. Learning corrective behaviors requires scalable failure exploration and physical grounding. We present Recova, an agent-guided framework that jointly develops task execution and recovery in a reconstructed digital twin, then verifies and refines both through real-world experience. In the twin, the agent diagnoses failures, tests corrective programs, and collects successful task and recovery rollouts for separate policies. During deployment, it monitors progress, invokes a learned or programmatic recovery, verifies scene restoration, and resumes execution. When no suitable recovery is available, a human demonstration resolves the failure and enters the learning loop, allowing the system to expand its recovery capabilities. Physical rollouts and human demonstrations are routed to the corresponding policy for DAgger training. Across six LIBERO-Pro settings and four MolmoSpaces categories, Recova achieves 78.8% and 64.9% mean success, compared with 71.7% and 38.0% for the strongest baselines. With parallel collection across four real-robot workstations, DAgger fine-tuning raises mean success from 23.8% to 77.5%, and recovery skills further raise it to 87.5%. Over four collection rounds on one task, observed human intervention falls from 87.5% to 0%. Together, these results show how agent-guided recovery turns failures into reusable capabilities, improving robustness while progressively reducing human intervention. Project page: https://www.liuisabella.com/Recova
• Abstract（参考訳）: 操作障害は、タスクポリシーが回復できない状態のシーンを残すことができる。 修正行動を学ぶには、スケーラブルな障害探索と物理的根拠が必要です。 本稿では,リコンストラクションされたデジタル双生児におけるタスク実行とリカバリを共同で開発したエージェント誘導型フレームワークRecovaについて述べる。 双子では、エージェントは障害を診断し、修正プログラムをテストし、異なるポリシーのために正常なタスクとリカバリのロールアウトを収集する。 デプロイメント中に進捗を監視し、学習またはプログラムによるリカバリを実行し、シーンの復元を確認し、実行を再開する。 適切なリカバリが得られない場合、人間のデモが失敗を解決し、学習ループに入ることで、システムがリカバリ機能を拡張することができる。 物理的なロールアウトと人間のデモは、DAggerトレーニングの対応するポリシーにルーティングされます。 6つのLIBERO-Pro設定と4つのMomoSpacesカテゴリの中で、Recovaは78.8%、64.9%の平均的な成功を達成し、最強のベースラインは71.7%、38.0%だった。 4つの実ロボットワークステーションの並列収集により、DAggerの微調整は23.8%から77.5%に向上し、回復スキルは87.5%に向上した。 1つのタスクで4回の収集ラウンドを行い、観察された人間の介入は87.5%から0%に減少する。 これらの結果は、エージェント誘導によるリカバリが障害を再利用可能な機能に変える方法を示し、人間の介入を徐々に減らしながら、堅牢性を改善した。 プロジェクトページ:https://www.liuisabella.com/Recova

関連論文リスト

• Explore, Execute, Evolve: A Skill Acquisition and Reuse Loop for Embodied Agents [73.9430604100137]
  汎用マルチモーダルエージェントは、物理的世界をゼロから推論し、探索することで、高い実行コストを発生させる。 我々は,Explore, Execute, Evolveループを通じて,スキル獲得と再利用を結合するフレームワークであるRoboSkillを紹介した。 LIBERO-10では、RoboSkillは初回成功率を12.5-25.0ポイント改善し、平均実行時間を4エージェントで7.6-72.4%削減した。
  論文  参考訳（メタデータ） (2026-09-29T15:25:43Z)
• RoboHarn-Evo: Evolving Hierarchical Physical Knowledge for Self-Improving Robotic Manipulation [24.90546116835631]
  物理経験から階層的物理知識(HPK)を進化させるデュアルループハーネスであるRoboHarn-Evoを紹介する。 タスク知識(Task Knowledge)はどのサブタスクを実行すべきか、いつ完了するかをキャプチャし、アクション知識(Action Knowledge)はオブジェクト相対幾何学的戦略とその物理的効果をキャプチャする。 RMBenchの実験では、HPKは異なるエージェントモデルの平均成功率を24.2ポイントまで改善している。
  論文  参考訳（メタデータ） (2026-09-29T13:42:22Z)
• Kintsugi-VLA: Turning Failed Robot Rollouts into Recovery Data through Interventional Recoverability [2.2935396753701065]
  Kintsugi-VLAは、失敗したロールアウトをターゲットとする合成リカバリデータに変換するフレームワークである。 Kintsugi-VLAは、失敗したシミュレータのロールアウトが、捨てられた経験から構造化されたリカバリトレーニングデータにどのように変換されるかを示した。
  論文  参考訳（メタデータ） (2026-09-25T09:42:20Z)
• Imagining Recovery: Inference-Time Counterfactual Realignment for Vision-Language-Action Models [10.832654624297135]
  視覚言語アクション(VLA)モデルは、オンラインのディスラプションに対して脆弱である。 我々は,凍結したVLAを故障データなしで推論時に復元する,トレーニング不要なフレームワークであるCoReを提案する。
  論文  参考訳（メタデータ） (2026-08-14T18:49:46Z)
• EgoRecovery: Acquiring Failure Recovery Ability Through Human Recovery Demonstration [75.13534797264485]
  我々は,ロボット遠隔操作に代わるスケーラブルな代替手段として,自己中心型ヒューマンデータキャプチャー障害回復プロセスが提供されることを示した。 タスクレベルの障害設定を効率的にアレンジし、短いリカバリセグメントを記録することで、人間のオペレータは1時間あたりの有効なリカバリデータの10倍以上のデータを生成できる。
  論文  参考訳（メタデータ） (2026-07-22T04:44:26Z)
• Zero2Skill: Bootstrapping Robot Skills through Autonomous Data Collection, Training, and Deployment [53.913175773174636]
  既存のパイプラインは、自己リセット、VLM検証、言語指導による修正を通じて、人間の労力を減らす。 Zero2Skill(ゼロ2スキル)は、人ロボットの共生型エージェントシステムで、丸ごとの修正を維持・再利用する。
  論文  参考訳（メタデータ） (2026-07-15T17:16:24Z)

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。