論文の概要: Recursive Video In-Context Learning for Agentic Robot

• arxiv url: http://arxiv.org/abs/2610.06843v1
• Date: Mon, 05 Oct 2026 17:59:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 22:10:33.356813
• Title: Recursive Video In-Context Learning for Agentic Robot
• Title（参考訳）: エージェントロボットのための再帰的ビデオインテクスト学習
• Abstract要約: RV-ICLは、エージェントが受信するプロンプトではなく、そのエージェントがナビゲートする階層に変換する訓練不要の手法である。 階層構造は、グリップやリリースなど、デモのサブイベントから構築されている。 RPent上に構築されたRV-ICLは、LIBERO-PROで92.6%から96.5%に、LIBERO-Plusで8.8%から95.8%に向上した。
• 参考スコア（独自算出の注目度）: 16.630464597279985
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: LLM agents that orchestrate frozen vision-language-action (VLA) policies improve across episodes through text memory, which records what the agent did but not how the task is done. A demonstration video shows it, but fits poorly into an agent's context. The full video slows every turn, fixed keyframes lose the contact detail that decides whether a grasp holds, and what the agent needs shifts from the task's structure while planning to the frames around each contact. We introduce Recursive Video In-Context Learning (RV-ICL), a training-free method that turns a demonstration into a hierarchy the agent navigates rather than a prompt it receives. The hierarchy is built from the sub-events of the demonstration, such as grasps and releases. Its levels grow finer, from keyframes of the whole task to phases, moments and short clips, and are exposed through read-only tools. The agent reads the coarse levels before planning. During execution it re-enters the hierarchy whenever a step needs more detail and loads only the clip of its current sub-goal. One demonstration per task is enough. Built on RPent, RV-ICL raises success from 92.6% to 96.5% on LIBERO-PRO and from 86.7% to 95.8% on LIBERO-Plus.
• Abstract（参考訳）: 凍結視覚言語アクション(VLA)ポリシーを編成するLLMエージェントは、テキストメモリを通じてエピソード全体の改善を行う。 デモビデオはそれを見せるが、エージェントのコンテキストには適さない。 フルビデオはすべてのターンを遅くし、固定されたキーフレームは、把握するかどうかを判断するコンタクト詳細を失い、エージェントは、各コンタクト周辺のフレームを計画しながら、タスクの構造からシフトする必要がある。 本稿では,Recursive Video In-Context Learning (RV-ICL)について紹介する。 階層構造は、グリップやリリースなど、デモのサブイベントから構築されている。 タスク全体のキーフレームからフェーズ、モーメント、ショートクリップに至るまで、そのレベルはより細かくなり、読み取り専用ツールを通じて露出する。 エージェントは計画する前に粗いレベルを読みます。 実行中は、ステップが詳細を必要とするたびに階層に再入力し、現在のサブゴールのクリップのみをロードする。 1タスクにつき1つのデモで十分です。 RPent上に構築されたRV-ICLは、LIBERO-PROで92.6%から96.5%に、LIBERO-Plusで86.7%から95.8%に向上した。

関連論文リスト

• Encore: Few-Shot Agentic Discovery of Manipulation Strategies [22.78288621506192]
  コーディングエージェントは、人間の助けなしにプログラムを書いて、実行し、デバッグすることができる。 ENCOREを導入することで、エージェントはトレーニングデータではなく、読むための証拠として、いくつかのデモを行うことができる。 コーディングエージェントはパックを研究し、固定された認識とアクションAPIに対するポリシープログラムを書き、いくつかの開発ロールアウトに対して反復的にそれを洗練し、成功シグナルを決して明らかにしない封印された評価の前にそれを凍結する。
  論文  参考訳（メタデータ） (2026-09-29T12:21:27Z)
• FRAMEWORKERS: A Dynamic Multi-Agent Framework for AI-Generated Video Production [55.71860113185132]
  本稿では,タスク中心のマルチエージェントフレームワークであるFRAMEWORKERSを紹介した。 Central Directorは、ビデオ生成を動的タスク管理として定式化し、タスクスタックを継続的に編集して、次にどのサブタスクを実行するか、どのサブエージェントを呼び出すかを決定する。 アシスタントは実行層として機能し、選択した各タスクを共有ワークスペースに接地し、必要なアセットとコンテキストを検索し、割り当てられたサブエージェントを呼び出し、結果のアーティファクトを永続化する。 FRAMEWORKERSは、ルーティング精度において強いプランナーよりも優れ、実行時の障害から確実に回復し、目に見えないサブに一般化することを示した。
  論文  参考訳（メタデータ） (2026-08-30T14:28:50Z)
• ReCA: Multi-Shot Long Video Extrapolation via Recursive Context Allocation [69.45329019089041]
  マルチショットビデオ外挿(マルチショットビデオ外挿、Multi-Shot Video Extrapolation、MSVE)は、観察されたフレームまたはクリップを撮影的に構造化された一連のショットに拡張するタスクである。 MSVEは、長ビデオの障害は単にコンテキスト長の制限ではなく、コンテキスト割り当ての障害であることを明らかにした。 本稿では,再帰的コンテキスト割当(Recursive Context Allocation, ReCA)を提案する。
  論文  参考訳（メタデータ） (2026-05-26T04:16:56Z)
• LongVideoAgent: Multi-Agent Reasoning with Long Videos [69.28914905197426]
  本稿では,主LLMが問題関連セグメントの局所化のために接地エージェントをコーディネートするマルチエージェントフレームワークと,対象とするテキスト観察を抽出する視覚エージェントを提案する。 マスターエージェントは、ステップ制限で計画し、簡潔で正確で効率的なマルチエージェント協調を促進するために強化学習で訓練されている。 テレビQA/TVQA+から集約したエピソードレベルのデータセットであるLongTVQAとLongTVQA+では,マルチエージェントシステムは強力な非エージェントベースラインよりも大幅に優れています。
  論文  参考訳（メタデータ） (2025-12-23T18:59:49Z)
• CAViAR: Critic-Augmented Video Agentic Reasoning [90.48729440775223]
  より複雑なビデオ推論を行うために、知覚能力を利用することができますか? 我々は,ビデオモジュールをサブエージェントやツールとして利用できる大規模言語モデルエージェントを開発した。 我々は,我々のエージェントと批評家の組み合わせが,データセット上で高い性能を達成することを示す。
  論文  参考訳（メタデータ） (2025-09-09T17:59:39Z)
• VideoMultiAgents: A Multi-Agent Framework for Video Question Answering [11.514596823413736]
  Video Question Answering (VQA) は本質的にマルチモーダル推論に依存している。 本稿では,視覚,シーングラフ解析,テキスト処理などの特殊エージェントを統合するフレームワークであるVideoMultiAgentsを紹介する。 提案手法は, 対象, 行動, 時間的遷移をハイライトするキャプションを生成する, 質問誘導キャプション生成を補足する。
  論文  参考訳（メタデータ） (2025-04-25T22:08:09Z)
• HierVL: Learning Hierarchical Video-Language Embeddings [108.77600799637172]
  HierVLは階層的なビデオ言語埋め込みであり、長期および短期の関連を同時に扱う。 クリップレベルとビデオレベルの両方でテキストと視覚のアライメントを促進する階層的なコントラストトレーニングの目標を導入する。 我々の階層的スキームは、SotAを達成した長期的なビデオ表現と同様に、その単一レベルよりも優れたクリップ表現をもたらす。
  論文  参考訳（メタデータ） (2023-01-05T21:53:19Z)

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。