論文の概要: Diagnosing and Recovering from Observation-Space Shift at Long-Horizon Skill Seams
- arxiv url: http://arxiv.org/abs/2610.10810v1
- Date: Wed, 07 Oct 2026 19:15:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-10 02:36:53.639793
- Title: Diagnosing and Recovering from Observation-Space Shift at Long-Horizon Skill Seams
- Title（参考訳）: 長軸スキルシームにおける観測空間シフトの診断と回復
- Abstract要約: ロングホライゾンのロボット操作は、独立して訓練されたスキルをチェーンすることでしばしば行われる。
それぞれのスキルは単独で信頼できるが、スキルがチェーンされているとパフォーマンスが大幅に低下する。
我々は、この障害モード、Observatory-Space Shift(OSS)を研究し、これらのスキル・シーム障害の原因を問う。
- 参考スコア（独自算出の注目度）: 30.88749649763857
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Long-horizon robotic manipulation is often built by chaining independently trained skills. Although each skill can be reliable in isolation, performance degrades sharply when skills are chained: each downstream skill must start from the state its predecessor leaves behind rather than from its training distribution. We study this failure mode, Observation-Space Shift (OSS), and ask what causes these skill-seam failures. Using privileged simulator resets, we find that the dominant shift comes from displaced scene state (e.g., an open drawer or secondary objects left behind by earlier skills), not from the robot's joint configuration or the object the downstream skill manipulates. To test this diagnosis, we build a fully learned detect-restore-resume system: a task-progress monitor detects the stall, a learned policy restores the displaced scene components, and seam-robust fine-tuning lets the skill resume. It recovers the seam where every tested alternative fails, which we treat as evidence for the diagnosis rather than as a general-purpose method. On the BOSS-44 benchmark, the system improves full-chain success from 7.6% to 26.5%, a 3.5x improvement over the base policy and 51% of a privileged restoration oracle, whereas best-of-K resampling, a Diffusion Policy, and world-model baselines fail to recover from the evaluated seam states. On a real Franka arm running a fine-tuned $π_{0.5}$ policy, the same monitor is limited by exterior-camera observability, yet closing the loop still recovers some otherwise-terminal failures, motivating wrist and gripper sensing. These results suggest that some long-horizon composition failures are better addressed by restoring the scene before resuming the policy than by retrying from an off-support state.
- Abstract（参考訳）: ロングホライゾンのロボット操作は、独立して訓練されたスキルをチェーンすることでしばしば行われる。
それぞれのスキルは単独で信頼できるが、スキルがチェーンされている場合にはパフォーマンスが大幅に低下する。
我々は、この障害モード、Observatory-Space Shift(OSS)を研究し、これらのスキル・シーム障害の原因を問う。
特権的シミュレータリセットを用いて,ロボットの関節構成や下流スキルが操作する物体ではなく,移動シーン状態(例えば,以前の技術で残されたオープンドローダやセカンダリオブジェクト)から,支配的なシフトが生じることがわかった。
この診断をテストするために,タスクプログレスモニタがストールを検出し,学習したポリシーが配置されたシーンコンポーネントを復元し,Seam-robust の微調整によってスキルを再開する,完全に学習された検出記憶システムを構築した。
一般的な方法としてではなく,診断の証拠として扱います。
BOSS-44ベンチマークでは、このシステムはフルチェーンの成功を7.6%から26.5%に改善し、ベースポリシーよりも3.5倍改善し、特権回復オラクルの51%を達成した。
π_{0.5}$ポリシーで調整された実際のフランカの腕では、同じモニターは外界の可観測性によって制限されるが、ループのクローズは、手首やグリップの感知を動機付けながら、他の終端の障害を回復させる。
以上の結果から,オフサポート状態からリトライするよりも,ポリシを再開する前にシーンを復元する方が,長期にわたる構成障害に対処できる可能性が示唆された。
関連論文リスト
- FC-SWE: Failure-Conditioned RL for Long-Horizon Software Engineering Agents [33.62846918344099]
リポジトリレベルのソフトウェアエンジニアリング(SWE)は、難しい長期的設定です。
最近のSWEエージェントは、グループ相対的政策最適化のような強化学習手法で訓練されている。
本稿では,リカバリの試みを政策訓練に取り入れた,障害条件付きRLフレームワークFC-SWEを紹介する。
論文 参考訳（メタデータ） (2026-10-06T07:44:12Z) - 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) - Self-Confirming Superposition Traps in Reinforcement Learning [62.71685993550818]
強化学習はエージェントのポリシーによって選択されたデータに基づいて表現し、その結果のリターンを使って次の選択を導く。
これらのデータに対して表現フィッティングがグローバルに最適である場合でも,このループは低リターンポリシーを維持可能であることを示す。
論文 参考訳（メタデータ） (2026-09-26T21:56:26Z) - Find Something You Can't Do: Agentic Real-World Reinforcement Learning for Self-Improving VLA Models [17.22121928229907]
textbfFINDはエージェントによる実世界の強化学習フレームワークである。
シーン理解、弱点を認識した実践、自己評価、政策改善のループを閉じます。
代表者は6時間以内に456回の自律的なエピソードを完了させる。
論文 参考訳（メタデータ） (2026-09-25T23:06:53Z) - FRAMES: Failure Recovery And Monitoring of Embodied Skills for Humanoid Loco-Manipulation [13.728630492769378]
我々は、Unitree G1ヒューマノイドの障害対応監視フレームワークであるFRAMESを提案する。
プランナーエージェントはパラメータ化中級スキルを介してサブタスクを選択し、ビジョン言語モデルに基づくモニターエージェントは各スキルを評価する。
我々は、50の失敗と50の成功した実行を含む100のトライアルを用いて、MuJoCoにおけるフレームワークの監視モジュールを評価した。
論文 参考訳（メタデータ） (2026-09-18T19:53:21Z) - MAGMA-GEN: Validated Recovery Supervision from Ambiguous Failures via Counterfactual Re-Execution [1.0074626918268836]
本稿では、不明瞭なロールアウトを検証されたリカバリ監視に変換する、オンラインデータ生成パイプラインであるMAGMA-GENを提案する。
MaGMA-GENは、まず特権コーチを使用して早期決定レベルのエラーを仮説化し、局所的な修正または回復アクションを提案する。
この診断は誤りであり、一致した条件下での同一状態からの再実行が下流の進行を改善した場合のみ、候補は保持される。
論文 参考訳（メタデータ） (2026-09-17T11:07:47Z) - Demystifying Agent Skills: Why They Work-Until They Don't [58.92875630998418]
既存の評価は、スキルが集約されたタスクの成功を改善するかどうかを主に測定する。
我々は、表現、結果アノテーション、検索難易度、スキルのクロスフレームワークの影響を分離する。
我々はこれらの観察を3つの高レベルカテゴリと12のスキルユースモードの分類に集約する。
論文 参考訳（メタデータ） (2026-08-14T07:26:38Z) - FailForge: Distilling Procedural Competence from Persistent Failures into Code Agents [49.519184792774304]
FailForgeは、失敗したロールアウトをトレーニングシグナルに変換するエージェントフレームワークである。
FailForgeは、これまで失敗したインスタンスの26%を、限界的な追加コストでリカバリする。
論文 参考訳（メタデータ） (2026-08-09T08:22:57Z) - 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) - CARE What Fails: Contrastive Anchored-REflection for Verifiable Multimodal [84.71254539482369]
検証可能な報酬を伴うグループ相対的強化学習(RLVR)は、しばしば、すでに失敗している最も情報に富むデータを浪費する。
エラーを監督するマルチモーダル推論のための,障害中心のポストトレーニングフレームワークであるCAREを提案する。
CAREは正確さを改善し、スムーズさをトレーニングすると同時に、障害からの学習信号のシェアを明示的に増やします。
論文 参考訳（メタデータ） (2025-12-22T16:34:21Z)
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。