論文の概要: PhysEvo: Astra Can Act, Let It
- arxiv url: http://arxiv.org/abs/2610.08995v1
- Date: Tue, 06 Oct 2026 18:54:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 21:58:22.561929
- Title: PhysEvo: Astra Can Act, Let It
- Title（参考訳）: PhysEvo:Astra Can Act, Let it
- Abstract要約: 単一の凍結モデルを中心とした物理的自己改善のためのフレームワークであるPhysEvoを紹介する。
タスクエージェントは、ロボットタスクを実行する。メタエージェントは、結果の軌跡を使用して、障害の診断、ツールやスキルの改訂、テスト修正を行う。
- 参考スコア（独自算出の注目度）: 13.546497633698268
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Astra can act, yet reliable manipulation depends on the system through which it observes and controls the world. We introduce PhysEvo, a framework for physical recursive self-improvement (RSI) around a single frozen model. A task agent executes robot tasks; a meta-agent uses the resulting trajectories to diagnose failures, revise tools and skills, and test corrections. The meta-agent can also improve its own diagnostic tools, so retained revisions support both later action and later self-improvement. This process develops joint-level control, evidence-seeking observation, and reusable manipulation skills without model-weight updates or a separately trained action policy. Across 42 RoboDojo tasks, held-out-layout evaluation of retained task-specific deployment versions yields a five-dimension average score of 68.14/100 and 62.00% success, compared with 47.17% for RoboDawn's one-shot Astra agent, the strongest published reference in our comparison. On eight manipulation tasks challenging direct Astra, PhysEvo achieves 55.00% success, compared with 1.25% for the direct-Astra reference. Deploying the simulation-evolved harness on AgileX PiPER and continuing skill revision yields 90.60/100 average score and 84.00% success across 25 trials on five real-world tasks. PhysEvo turns the consequences of action into persistent, testable changes to how a frozen model acts and improves.
- Abstract（参考訳）: アストラは行動することができるが、信頼性のある操作は世界を観察し制御するシステムに依存する。
本稿では,物理再帰的自己改善(RSI)のためのフレームワークであるPhysEvoを紹介する。
タスクエージェントは、ロボットタスクを実行する。メタエージェントは、結果の軌跡を使用して、障害の診断、ツールやスキルの改訂、テスト修正を行う。
メタエージェントは独自の診断ツールも改善できるため、後続のアクションと後続の自己改善の両方をサポートする。
このプロセスは、モデルウェイト更新や個別に訓練されたアクションポリシーなしで、共同レベルの制御、エビデンス・シーキング観察、再利用可能な操作スキルを開発する。
42以上のRoboDojoタスク、保持されたタスク固有のデプロイメントバージョンの評価は、5次元平均スコア68.14/100と62.00%で成功し、RoboDawnのシングルショットAstraエージェントの47.17%は、我々の比較で最も強力な参照である。
直接アストラに挑戦する8つの操作タスクにおいて、PhysEvoは55.00%の成功を達成した。
AgileX PiPERでシミュレーション進化したハーネスをデプロイし、継続的なスキルリビジョンによって、現実世界の5つのタスクにおいて、25回のトライアルで90.60/100の平均スコアと84.00%の成功が得られます。
PhysEvoは、アクションの結果を、凍結モデルがどのように動作し、改善するかの永続的でテスト可能な変更に変換する。
関連論文リスト
- Reconstruct, Practice, Go Real: Guided Self-Improvement for Embodied Agents [50.03584684933779]
本稿では,ロボット実行システムの自律的改善のためのフレームワークであるReconstruct, Practice, Go Real(RPG)を紹介する。
RPGはオフラインデータセットの操作機能を特定し、シミュレーションで関連するプラクティスタスクを構築する。
新しい再利用可能なシンボリックスキルを開発し、既存のスキルを洗練させ、これらの診断に基づいてシステムプロンプトを改訂する。
論文 参考訳（メタデータ） (2026-10-01T17:59:50Z) - Recova: Agent-Guided Failure Recovery for Autonomous Robotic Manipulation [104.46042352396563]
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。
論文 参考訳（メタデータ） (2026-10-01T06:52:05Z) - ASENA: Self-evolving Agents for Embodied Navigation [84.64998230277466]
ASENAは汎用コーディングエージェントをロボットセンシング、計算、教師付き実行、永続的な体験に接続する。
独立政策としてASENA-VLNはR2Rで68.7%、RxRで70.2%という最先端の成功率を達成した。
論文 参考訳（メタデータ） (2026-09-30T07:53:50Z) - Systematically Exploring the Capabilities of GPT-6 Astra as Embodied Policies [37.54166492459369]
GPT-6 アストラは数値的なロボット動作を生成する素晴らしい能力を示す。
グリップパ操作では、Astraはタスクターゲットを修正でき、その後のポリシー実行のための接触条件を準備できる。
巧妙な操作では、ハイブリッドコントロールは10回の経験誘導型DexJoCo試験で50%の成功を達成している。
ナビゲーションでは、Astraがローカル比較をリードし、RxR命令で92%、HM3Dオブジェクトサーチで82%成功しました。
論文 参考訳（メタデータ） (2026-09-29T20:54:47Z) - CodeActionBench: Evaluating Agentic Code-as-Policy for Embodied Manipulation [55.1660787557339]
CodeActionBenchは、エージェント的なCode-as-Policyを通じてこの機能を評価する25の操作タスクのベンチマークである。
共有ロボットAPIは、RGB観測、校正された幾何学的操作、ロボットのフィードバック、および有界運動を提供し、タスク依存の判断を評価対象に残す。
9つの構成と675の試行で大規模な評価が行われ、成功率は2.7%から73.3%である。
最も強力な構成であるGPT-6 Astra with Codex CLIは、3回の試行で少なくとも25タスクのうち22タスクを解決した。
論文 参考訳（メタデータ） (2026-09-27T17:59:31Z) - Robot Manipulation with GPT-6-Astra: Body Knowledge, Experience Reuse, Emergent Skills, and Sim2Real Transfer [69.90442891409597]
GPT-6-Astra で制御された XLeRobot の体外知識, 経験, 実行能力の向上について検討した。
GPT-6-Astra周辺で汎用的な操作実験を構築するための実践的な方法が示唆された。
論文 参考訳（メタデータ） (2026-09-24T13:58:17Z) - Know Your Body: A Harness for Direct and Self-Improving Robot Control with VLMs [20.982999884745094]
KnowBodyは、アクション関連ボディ関係を明確にし、クエリ可能で、修正可能なハーネスである。
KnowBodyは75%の完成率とネイティブハーネスの25%を達成している。
永続的な更新を有効にすると、プランナーラウンドは1回目から5回目まで29～53%減少する。
論文 参考訳（メタデータ） (2026-09-22T17:57:19Z) - LM-X: Explainable Action Modeling with Progress, Event, and Uncertainty Prediction for Generalist Robot Manipulation [28.431160101245837]
一般視覚-言語行動(VLA)政策は、主に短期水平行動予測を通じて長期水平行動を学ぶ。
我々は,解剖学的対応を主張することなく,タスク,イベント,運動の規模にわたって予測を整理するLM-Xを紹介する。
論文 参考訳（メタデータ） (2026-08-26T13:05:29Z) - EnactToM: An Evolving Benchmark for Functional Theory of Mind in Embodied Agents [75.01735520608075]
既存のベンチマークは、直観的信念を問うことで、主にリテラル・オブ・マインド(ToM)をテストする。
EnactToMは, 3D 家庭で設定された300個のマルチエージェントタスクの進化ベンチマークである。
ハードスプリットでは、7つの評価されたフロンティアモデルすべてが機能的なタスク完了時に0.0%のPass3を獲得し、リテラルな信念プローブでは平均45.0%であった。
論文 参考訳（メタデータ） (2026-05-11T00:04:19Z)
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。