論文の概要: Make π0.5 Learn to Call Astra for Reliable Robot Manipulation
- arxiv url: http://arxiv.org/abs/2610.14117v1
- Date: Fri, 09 Oct 2026 08:29:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-20 23:11:58.521521
- Title: Make π0.5 Learn to Call Astra for Reliable Robot Manipulation
- Title（参考訳）: π0.5が信頼性の高いロボット操作のためのAstraを学習
- Abstract要約: フリーズされた$_0.5$ポリシーに軽量なCALLヘッドを装備し、いつ支援が必要なのかを予測する。
Callは標準ポリシーのフォワードパスから機能を再利用し、外部モデルを参照せずにローカルに運用する。
アストラは環境ステップの5.49%しか実行せず、テストエピソードあたり約5,027トークンを消費している。
- 参考スコア（独自算出の注目度）: 2.3464487954718822
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: GPT-6 Astra provides robust embodied reasoning, but frequent external queries increase inference time and token costs. We equip a frozen $π_{0.5}$ policy with a lightweight CALL head that learns to predict when assistance is necessary. CALL reuses features from the standard policy forward pass and operates locally without consulting external models. Astra is activated solely for critical recovery events and returns control to $π_{0.5}$ upon stabilization. Evaluated across 40 LIBERO tasks (200 episodes), our system achieves a 97.5% success rate, outperforming the 95.5% baseline of pure $π_{0.5}$. In the Object, Goal, and Spatial suites, Astra executes only 5.49% of environment steps, consuming approximately 5,027 tokens per test episode. This selective intervention preserves the fast ordinary execution of $π_{0.5}$ while seamlessly integrating Astra's reasoning on demand. Our project page is available at https://kykgeek.github.io/Pi05_CALL_Astra/.
- Abstract（参考訳）: GPT-6 Astraは堅牢な具体的推論を提供するが、頻繁な外部クエリは推論時間とトークンコストを増大させる。
凍結した$π_{0.5}$ポリシーに軽量なCALLヘッドを装備し、支援が必要なタイミングを予測する。
CALLは標準ポリシーのフォワードパスから機能を再利用し、外部モデルを参照せずにローカルで運用する。
アストラは臨界回復イベントのためにのみ活性化され、安定化時に$π_{0.5}$に制御を返す。
40 の LIBERO タスク (200 エピソード) で評価され、我々のシステムは97.5% の成功率に達し、純粋な$π_{0.5}$ の95.5% のベースラインを上回った。
Object、Goal、Spatialスイートでは、Astraは環境ステップの5.49%しか実行せず、テストエピソードあたり約5,027トークンを消費している。
この選択的介入は、要求に対するアストラの推論をシームレスに統合しながら、$π_{0.5}$の高速な常実行を保存する。
私たちのプロジェクトページはhttps://kykgeek.github.io/Pi05_CALL_Astra/で公開されています。
関連論文リスト
- LADDER: A Long-Horizon Robot Manipulation Benchmark [54.78144820533299]
汎用ロボット操作ポリシーは、短距離のスキルを効果的に学習するが、短距離のタスクでは急速に低下する。
LADDER(Long-Horizon Robot Operations benchmark)は,3つのスイートで同じ環境下で1から10のサブゴールのスケーリングを行う。
低レベルポリシー(VoLo)のテキストサブゴールとツール選択オーケストレーション(CaP-X, GPT-Policy, PSP-Agent, TiPToP)の2つのオーケストレーションパラダイムを評価した。
論文 参考訳（メタデータ） (2026-10-13T09:42:04Z) - 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) - Vanilla Policy Optimization Is Both Optimal and Differentially Private for Stochastic Contextual Bandits [90.0615995526802]
我々は,バニラポリシーの最適化が,文脈的帯域幅において,ほぼ最適な後悔を実現するのに十分であることを示す。
我々は、$O(log T)$レグレッションコールとポリシーオーラクルスイッチのみを使用してバッチ化されたバージョンを開発し、プライベートレグレッションがどのように異なる文脈の帯域幅アルゴリズムを生成するかを示す。
論文 参考訳（メタデータ） (2026-09-27T20:06:59Z) - An Unexpected Robot Policy: Early Evaluations of GPT-6 Astra on RoboDojo and Beyond [30.63361320122993]
本研究では,大規模言語モデル(LLM)がタスク固有の微調整を伴わずにロボット操作のポリシーとして機能するかどうかを問う。
42のRoboDojoタスクで3つのLLMを評価し、そのスコアと40の公開ポリシーを比較した。
論文 参考訳（メタデータ） (2026-09-21T06:39:47Z) - Test-time reasoning effort and unauthorized tool use in language-model agents: a prespecified equivalence study [1.6787220460106658]
ツールコールを通じて実行される言語モデルエージェントは、各ロールが実行する操作を制限するアクセス制御ポリシーの下で動作します。
TRIO-20の14の確認シナリオにおいて, GPT-5.6内の推論の努力(低, 最大)が異なる。
840の軌道と2つのモデル層にまたがって、認可されていないツールコールは発生しなかった。
論文 参考訳（メタデータ） (2026-08-04T06:01:14Z) - When Does Retrieval Help Time-Series Forecasting? [1.7499351967216341]
検索用プラグインは、そのルックバックウィンドウが持てない情報を、深い予測器に供給する。
ウィンドウ長が$S$と支配的な季節的期間が$L$の関係であることを示す。
我々は新しいプラグインを提案しない。コントリビューションは、レギュレーションマップ、それを明らかにするプロトコル、およびデプロイ前にそれをスクリーニングする2つの統計である。
論文 参考訳（メタデータ） (2026-07-29T14:27:39Z) - Scaling Laws for Agent Harnesses via Effective Feedback Compute [53.68149869349268]
emphEffective Feedback Compute (EFC)は、情報的、有効、非冗長な場合にのみフィードバックを信用し、その後の決定のために保持するトレースレベルのスケーリング座標である。
EFCベースの座標は、生の計算ベースラインよりも失敗率を常に予測する。
論文 参考訳（メタデータ） (2026-05-28T09:45:47Z) - Agent Explorative Policy Optimization for Multimodal Agentic Reasoning [97.64835302176056]
エージェント推論は2つの行動と構造的非対称性(思考と道具の使用)をインターリーブする。
GRPOのような標準的なRLレシピでは、ギャップはトレーニング中に2つの診断症状として現れる。
AXPO (Agent eXplorative Policy Optimization) を提案する。
論文 参考訳（メタデータ） (2026-05-27T17:36:39Z) - $π_{0.7}$: a Steerable Generalist Robotic Foundation Model with Emergent Capabilities [77.01386332235107]
$_0.7$は、幅広いシナリオで強力なアウト・オブ・ザ・ボックスのパフォーマンスを可能にする。
$_0.7$は、目に見えない環境で様々な言語命令に従うことができる。
$_0.7$は、ゼロショットのクロスボディーメントの一般化を提供することもできる。
論文 参考訳（メタデータ） (2026-04-16T19:18:07Z) - Frugal Knowledge Graph Construction with Local LLMs: A Zero-Shot Pipeline, Self-Consistency and Wisdom of Artificial Crowds [0.0]
本稿では,知識グラフ構築と活用のためのゼロショットパイプラインの実証的研究について述べる。
外部ベンチマーク(DocRED、HotpotQA)、WebQuestionsSPスタイルの合成データ、RAGAS評価フレームワークを自動パイプラインに統合する。
文書レベルの関係では, ゼロショットで0.70$pm$0.041のF1を達成するのに対し, 教師付きDREEAMでは0.80となる。
論文 参考訳（メタデータ） (2026-04-13T07:20:21Z) - Self-Play Preference Optimization for Language Model Alignment [75.83359213697854]
近年の進歩は、嗜好の確率で直接作業することで、人間の嗜好をより正確に反映できることを示している。
本稿では,言語モデルアライメントのためのセルフプレイ方式を提案する。
我々の手法はSPPO(Self-Play Preference Optimization)と呼ばれ、繰り返しポリシー更新を利用してナッシュ均衡を確実に近似する。
論文 参考訳（メタデータ） (2024-05-01T17:59:20Z)
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。