論文の概要: EndoRSI: Physical-Evidence-Driven Recursive Improvement of Endoscopic Robot Policies

• arxiv url: http://arxiv.org/abs/2610.13376v1
• Date: Fri, 09 Oct 2026 10:49:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-13 04:06:29.541606
• Title: EndoRSI: Physical-Evidence-Driven Recursive Improvement of Endoscopic Robot Policies
• Title（参考訳）: EndoRSI: 内視鏡ロボットの物理的エビデンス駆動による再帰的改善
• Abstract要約: 本稿では,人間による自己改善型ロボット研究システムであるEndoscopic Recursive Self-Improvementを紹介する。 埋め込み型EndoForgeコーディングエージェントは、物理的実験の証拠を用いて、内視鏡ロボットポリシーを反復的に開発・洗練する。 その結果, エージェント駆動型ロボット政策研究の実験的証拠として, 物理的ロボットの相互作用が有効であることが示唆された。
• 参考スコア（独自算出の注目度）: 7.215102199076537
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Artificial intelligence is beginning to automate scientific discovery, yet physical robot-policy research still relies on scientists and engineers to interpret experimental failures and decide how controllers should be revised. We present EndoRSI (Endoscopic Recursive Self-Improvement), a human-governed, self-improving robotic research system in which the embedded EndoForge coding agent iteratively develops and refines endoscopic robot policies using evidence from physical experiments. Physical execution remains isolated within a safety-constrained runtime under human authorisation. In motorised endoscopy, validation evidence first caused the agent to reject an initial action representation, while subsequent physical experiments falsified an offline-supported insertion strategy by revealing hazardous closed-loop behaviour absent from the source data. Failed physical rollouts were then incorporated into policy revision; insertion success subsequently increased from 2/21 in the first generation to 17/21 in the fourth. The frozen final policy retained competence across visual and hardware shifts and was the best performing autonomous policy across six independent ex-vivo porcine specimens. These results show that physical robot interaction can serve as experimental evidence for agent-driven robot policy research.
• Abstract（参考訳）: 人工知能は科学的な発見を自動化し始めているが、物理ロボット政治の研究はまだ、実験的な失敗を解釈し、どのようにコントローラを改訂するかを決めるために科学者やエンジニアに依存している。 本研究では,人間による自己改善型ロボットシステムであるEndoscopic Recursive Self-Improvementについて述べる。 物理的実行は、人間の認可の下で、安全に制約されたランタイム内で分離されている。 運動内視鏡法では, バリデーションエビデンスによりエージェントは最初の動作表現を拒否され, その後の物理実験では, ソースデータから欠落する有害な閉ループ挙動を明らかにすることにより, オフラインでサポートされた挿入戦略を偽装した。 その後、故障した物理ロールアウトはポリシー修正に組み込まれ、挿入成功は第1世代の2/21から第4世代の17/21へと増加した。 凍結された最終方針は、視覚とハードウェアのシフトにまたがる能力を維持し、6つの独立したブタの標本の中で最高の自律的な政策を実行した。 これらの結果から, エージェント駆動型ロボット政策研究の実験的証拠として, 物理的ロボットの相互作用が有効であることが示唆された。

関連論文リスト

• Self-Evolving AI for Humanoids: Mechanisms, Safety, and Evaluation of Post-Deployment Self-Improvement [48.47465597427111]
  自己進化型ロボットは、自国の展開後体験からシステムを改善することを目的としている。 まず、ヒューマノイドの自己進化を定義し、生涯の目標を持つ緩やかな外ループを用いて展開するロボットを表現した。 次に、文献を4つの相補的な自己進化機構に整理し、自律性の向上を図った。
  論文  参考訳（メタデータ） (2026-09-02T13:38:43Z)
• One Reflection Is Not Enough: Self-Correcting Autonomous Research via Multi-Hypothesis Failure Attribution [85.65263343588026]
  我々は,自己修正型,自律型,接地型実験機であるSAGEを提案する。 その中核的なメカニズムであるMHFA(Multi-Hypothesis Failure Attribution)は、回復を構造的因果診断として扱う。 12のトピック、5ドメインのベンチマークでは、SAGEは基準リフレクションでメトリクスを含むアウトプットを42%から92%に増やしている。
  論文  参考訳（メタデータ） (2026-06-30T10:54:16Z)
• Externalizing Research Synthesis and Validation in AI Scientists through a Research Harness [22.631467433443362]
  Xcientistは、研究合成と実験的検証を検査可能な契約統治プロセスに外部化する研究ハーネスである。 Xcientistの文献は、証拠、アイデアステート、実装計画、アブレーション記録、修復痕跡を永続的な研究成果として整理している。
  論文  参考訳（メタデータ） (2026-06-17T09:52:14Z)
• AutoResearchClaw: Self-Reinforcing Autonomous Research with Human-AI Collaboration [175.74514061083195]
  提案するAutoResearchClawは,5つのメカニズムに基づいて構築されたマルチエージェント自律型研究パイプラインである。 25トピックの実験ステージベンチマークであるARC-Benchでは、AutoResearchClawがAI Scientist v2を54.7%上回っている。
  論文  参考訳（メタデータ） (2026-05-19T15:49:51Z)
• Towards a Medical AI Scientist [73.6056699962416]
  私たちは、臨床自律研究に特化した最初の自律的な研究フレームワークである、メディカルAIサイエンティストを紹介します。 このフレームワークは3つの研究モード、すなわち論文ベースの再現、文学にインスパイアされた革新、タスク駆動探索で動作する。 本システムでは,提案手法と実装の密接な整合性を実現するとともに,実行可能実験において極めて高い成功率を示す。
  論文  参考訳（メタデータ） (2026-03-30T15:37:25Z)
• Scaling Laws in Scientific Discovery with AI and Robot Scientists [72.3420699173245]
  自律的なジェネラリスト科学者(AGS)の概念は、エージェントAIとエンボディロボットを組み合わせて、研究ライフサイクル全体を自動化している。 AGSは科学的発見に必要な時間と資源を大幅に削減することを目指している。 これらの自律的なシステムが研究プロセスにますます統合されるにつれて、科学的な発見が新しいスケーリング法則に従うかもしれないという仮説を立てる。
  論文  参考訳（メタデータ） (2025-03-28T14:00:27Z)

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。