論文の概要: LACE-CRAFT: Robot Co-Design with Actor Inheritance and Blackboard Collaboration

• arxiv url: http://arxiv.org/abs/2610.09283v1
• Date: Wed, 07 Oct 2026 01:31:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:22.672673
• Title: LACE-CRAFT: Robot Co-Design with Actor Inheritance and Blackboard Collaboration
• Title（参考訳）: LACE-CRAFT:アクター継承と黒板協調によるロボット設計
• Abstract要約: LACE-CRAFTは、現在のロボットにおける継続学習とポリシー適応とを、新しい形態-回帰ペアと比較する。 5つのローコモーションベンチマークで、3つの評価種子の平均スコアはD2Cよりも6.4-91.9%高い。 どちらの手法も5ラウンドで30種類の新しい形態的回帰ペアを訓練し、LACEは4つの継続訓練ユニットも使用した。
• 参考スコア（独自算出の注目度）: 29.982238436878152
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Robot co-design couples morphology search with policy learning, yet training every new design from scratch discards acquired control experience. We present LACE-CRAFT, which compares continued learning on the current robot with policy adaptation to new morphology-reward pairs. LACE resumes the incumbent's full learning state and initializes compatible challengers with its actor parameters and observation statistics. A fixed task metric selects among both branches and the frozen incumbent. CRAFT coordinates Feedback, Morphology, Reward, and Integration roles through shared experimental records and behavioral replays to generate and cross-review paired proposals. A generative extension converts generated meshes into editable articulated models with configured joints, actuator interfaces, and consistently updated simulation assets. Across five locomotion benchmarks, mean scores over three evaluation seeds are 6.4-91.9% higher than D2C. Both methods train 30 new morphology-reward pairs over five rounds; LACE additionally uses four continuation training units. Five-task ablations examine policy inheritance and replay-derived feedback. A fabricated prototype demonstrates indoor walking and illustrates the geometry-to-hardware workflow.
• Abstract（参考訳）: ロボットの共同設計は、形態学検索とポリシー学習を結びつけるが、スクラッチからすべての新しいデザインを訓練することは、獲得したコントロール体験を放棄する。 LACE-CRAFTは、現在のロボットにおける継続学習とポリシー適応とを、新しい形態-回帰ペアと比較する。 LACEは既存の学習状態を再開し、アクターパラメータと観測統計値で互換性のあるチャレンジャーを初期化する。 固定タスクメトリックは、両方の枝と凍結した現物の中から選択する。 CRAFTは、フィードバック、モルフォロジー、リワード、統合といった役割を、共有された実験記録と行動リプレイを通じて調整し、ペア提案の生成と相互レビューを行う。 生成拡張は、生成されたメッシュを、構成されたジョイント、アクチュエータインターフェース、一貫して更新されたシミュレーション資産を備えた編集可能な調音モデルに変換する。 5つのローコモーションベンチマークで、3つの評価種子の平均スコアはD2Cよりも6.4-91.9%高い。 どちらの手法も5ラウンドで30種類の新しい形態的回帰ペアを訓練し、LACEは4つの継続訓練ユニットも使用した。 5つのタスクの短縮は、ポリシーの継承とリプレイからのフィードバックを調べる。 製作されたプロトタイプは屋内歩行を実演し、幾何学とハードウエアのワークフローを描いている。

関連論文リスト

• GIF: Agentic Generation of Interactive and Functional Object Compositions for Robot Learning [15.060587346990792]
  本稿では,対話型および関数型オブジェクト合成のためのエージェント生成フレームワークであるGIFを紹介する。 GIFは、アセット品質と関係マッチングの両方を改善し、衝突率を1%以下に下げる。 我々は政策学習のためのデータを合成し、シミュレーションと実世界の展開の両方において多様性のスケーリングを明らかにする。
  論文  参考訳（メタデータ） (2026-09-05T06:36:20Z)
• OpenIIR: An Open Simulation Platform for Information Retrieval Research [1.1105673928718571]
  OpenIIRは、パラメータ化され再現可能なIR研究実験として、数百のLLM駆動のペルソナを実行する。 研究者は4種類のマルチエージェント研究のエージェントを構成する。 同じ研究を異なる設定で再実行して、成果を並べて比較することができる。
  論文  参考訳（メタデータ） (2026-05-10T04:46:58Z)
• DiT4DiT: Jointly Modeling Video Dynamics and Actions for Generalizable Robot Control [16.562259973551786]
  本稿では,ビデオ拡散変換器とアクション拡散変換器を結合したエンドツーエンドのビデオ・アクション・モデルであるDiT4DiTを紹介する。 DiT4DiTは、再構成後のフレームに頼る代わりに、ビデオ生成プロセスから中間的なデノイング機能を抽出する。 これは最先端の結果を達成し、LIBEROでは98.6%、RoboCasa GR1では50.8%という平均的な成功率に達した。
  論文  参考訳（メタデータ） (2026-03-11T06:03:53Z)
• APIGen-MT: Agentic Pipeline for Multi-Turn Data Generation via Simulated Agent-Human Interplay [86.01901238059261]
  APIGen-MTは検証可能で多様なマルチターンエージェントデータを生成するフレームワークである。 xLAM-2-fc-r 級数で 1B から 70B のパラメータを持つモデル群を訓練する。 我々のモデルは、$tau$-benchとBFCLベンチマークでGPT-4oやClaude 3.5のようなフロンティアモデルより優れている。
  論文  参考訳（メタデータ） (2025-04-04T17:13:57Z)
• Boosting Virtual Agent Learning and Reasoning: A Step-Wise, Multi-Dimensional, and Generalist Reward Model with Benchmark [72.46357004059661]
  Generalist Virtual Agents (GVA) は自律的なタスク実行において大きな可能性を示している。 これらの課題に対処するため,ステップワイズ多次元ジェネラリスト・リワードモデルを提案する。 同様に、エージェントトレーニング用のきめ細かい信号を提供し、推論時間スケーリングのためのより良いアクションを選択することができる。
  論文  参考訳（メタデータ） (2025-03-24T13:30:47Z)

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。