論文の概要: Before We Act: Learning Action-Conditioned Team-Response Beliefs for Decentralized Multi-Robot Manipulation
- arxiv url: http://arxiv.org/abs/2610.14551v1
- Date: Sat, 10 Oct 2026 04:17:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-20 13:01:26.718482
- Title: Before We Act: Learning Action-Conditioned Team-Response Beliefs for Decentralized Multi-Robot Manipulation
- Title（参考訳）: 私たちの行為前:分散型マルチロボットマニピュレーションのためのアクション・コンディション付きチーム・レスポンス・信念を学習する
- Abstract要約: マルチロボット操作では、アクションの価値はチームメイトがどう反応するかによって異なります。
本研究では, 地域史からemphteam-Responseの信念を学習するためのフレームワークであるCooperative Action--Response Belief Estimationを提案する。
- 参考スコア（独自算出の注目度）: 9.155966454979676
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In multi-robot manipulation, an action's value depends on how teammates respond. We present \method{} (Cooperative Action--Response Belief Estimation), a framework for learning \emph{team-response beliefs} from local history. A predictive belief encoder represents the interaction and conditions a nominal action. Matched reactive and replay continuations separate each candidate's direct advantage from the utility contributed by teammate adaptation. A candidate-conditioned readout learns this response distribution alongside total advantage, and calibrated selection chooses an alternative or retains the nominal action. Our analysis characterizes when response changes the preferred action and how prediction and source errors limit the recoverable gain. With the representation, proposals, and data fixed, explicit response supervision improves candidate ranking and reduces selection regret relative to learning the same information through branch utilities. The benefit is concentrated in decisions where teammate adaptation changes the preferred action. Across RoboFactory, the MARS Control Track, and physical collaboration tasks, CARE achieves the highest average success among the evaluated policies, combining a capable nominal policy with selective coordination adjustments. Together, these results show that CARE turns predictions of teammate adaptation into effective decentralized action selection. Project page: https://jeong-zju.github.io/care/.
- Abstract（参考訳）: マルチロボット操作では、アクションの価値はチームメイトがどう反応するかによって異なります。
本研究は,地域史から<emph{team-response beliefs>を学習するためのフレームワークである<method{}(協調行動-応答的信念推定)を提示する。
予測信念エンコーダは、相互作用と条件を名目上の行動として表現する。
一致した反応性とリプレイの継続は、各候補の直接的な優位性を、チームメイト適応によるユーティリティと区別する。
候補条件付き読み出しは、全優位とともにこの応答分布を学習し、校正された選択は選択肢を選択するか、名目動作を保持する。
我々の分析は、反応が望ましい動作を変えるときと、予測とソースエラーが回復可能な利得を制限する方法の特徴である。
表現、提案、データの固定により、明示的な応答監督は候補ランキングを改善し、分岐ユーティリティを通して同じ情報を学ぶことに対する後悔を減らす。
メリットは、チームメイト適応が望ましい行動を変える決定に集中することです。
RoboFactory、MARS Control Track、および物理的なコラボレーションタスクを通して、CAREは評価されたポリシーの中で最高の平均的な成功を達成し、有能な名目ポリシーと選択的な調整調整を組み合わせた。
これらの結果から,CAREはチームメイト適応の予測を効果的に分散された行動選択に変換することが示された。
プロジェクトページ: https://jeong-zju.github.io/care/。
関連論文リスト
- CLEAT: Learning Value-Guided Clarification for Interactive Agents [50.63941775694406]
本研究では,対話型意図アライメントの課題を明確化を通じて検討する。
トレーニングが不完全な情報を扱う方法を変えると、同じ明確化が多かれ少なかれ有用になる。
CLEATは、共有インタラクション結果から明確化値コントローラとタスクポリシーを協調訓練するフレームワークである。
論文 参考訳（メタデータ） (2026-10-08T19:22:21Z) - VeriFine: Scaling Verification for Self-Improvement in Embodied Reasoning [80.69185348729495]
我々は,政策の共進化,訓練カリキュラム,審査を通じて検証をスケールする枠組みを導入する。
ポリシー改善ループは、繰り返し発生する障害を診断し、適応的なカリキュラムを構築し、ポリシーを最適化するためにルーリックな判断を使用する。
運転およびロボットナビゲーションタスクの実験は、ポリシーと判断能力の両方において継続的な自己改善を示す。
論文 参考訳（メタデータ） (2026-10-06T17:50:29Z) - DiVeR: Decision-Critical Verifier Learning for VLA Test-Time Scaling [19.782645536199013]
DiVeRはサンプル化された動作表現の分散から決定臨界度を推定する。
LIBERO、RoboCasa、およびFranka Research 3ロボットの現実世界での実験を通して、DiVeRはより効果的な検証者誘導アクション選択によってタスクの成功を継続的に改善する。
論文 参考訳（メタデータ） (2026-10-04T04:25:40Z) - Recommendation World Models for Future-State Control [53.191633845200876]
我々は、訓練されたランク付け者が将来の結果についての意思決定を支援する方法について研究する。
UA-TWM(UA-TWM)は,近傍のスレート動作を構成するユーティリティアンコールなワールドモデルインタフェースである。
本研究は,MovieLens-25MとKuaiRand-Pureにおける12の逐次バックボーン間の移動と,KuaiSimにおけるターゲット指向インタラクションの繰り返しを評価する。
論文 参考訳（メタデータ） (2026-09-25T02:37:48Z) - Critical-State RL: Diagnosing Trainable States for Multi-Turn Tool Use [54.30773141960395]
マルチターンインタラクションにおけるトレーニング可能な状態を特定するために、Critical-State RLを導入する。
それぞれの報酬がタスク成功に対するアクションの効果を捉えているかどうか、参照ポリシーよりも改善できるかどうかを評価する。
Berkeley Function Calling Leaderboard (BFCL) v4の実験では、診断選択された州でのトレーニングと代替州でのトレーニングを比較している。
論文 参考訳（メタデータ） (2026-09-21T17:57:20Z) - Token Utility Is Selection-Conditioned: Coupled Selection of Prompt Context and Response Supervision for Efficient Instruction Tuning [11.796634827510323]
BRIDGEは、共有バリデーション指向のインタラクションサロゲートを通じて選択条件付きトークンユーティリティをキャプチャする。
構造認識プロジェクションは条件応答スコアをコヒーレントな監視スパンに変換する。
BRIDGEは、数学的推論、コード生成、命令フォローにおける全体的な選択方法の比較を導く。
論文 参考訳（メタデータ） (2026-09-19T10:46:58Z) - Reconciling Process Supervision with Outcome-Based Credit in Agentic Policy Optimization [13.354353071601379]
我々は、特権付き監督を成果ベースアクションクレジットに変換するTASPOを紹介する。
3つのエージェントベンチマークで、TASPOはGRPOよりも10.6%改善し、目に見えないタスクを一般化する。
論文 参考訳（メタデータ） (2026-08-31T16:51:50Z) - TRACE: A Unified Rollout Budget Allocation Framework for Efficient Agentic Reinforcement Learning [52.67756371231985]
検証可能な報酬を伴う強化学習(RLVR)は、大規模言語モデルにおける推論とエージェント的行動を強化するための有望なアプローチである。
本稿では,Tree Rollout Allocation for Contrastive Exploration (TRACE)について紹介する。
技術的には、TRACEはロールアウト予算をルートと中間プレフィックスの両方に割り当てている。
論文 参考訳（メタデータ） (2026-06-09T17:16:03Z) - Learning Steerable Clarification Policies with Collaborative Self-play [67.67872810596839]
不明瞭なクエリを処理するために、AIアシスタントは不確実性を管理するためのポリシーが必要である。
我々は,この不確実性を管理するために,自己再生を用いて評価可能な政策を訓練することを提案する。
このことが、提供されたコストに応じて予測可能な振る舞いを変更する、評価可能なポリシーにつながることを示す。
論文 参考訳（メタデータ） (2025-12-03T18:49:54Z) - Continuous Mean-Covariance Bandits [39.820490484375156]
本稿では,選択肢相関を考慮した連続平均共分散帯域モデルを提案する。
CMCBでは、与えられた選択肢の重みベクトルを逐次選択し、決定に従ってランダムなフィードバックを観察する学習者がいる。
最適な後悔(対数的因子を含む)を伴う新しいアルゴリズムを提案し、それらの最適性を検証するために一致した下界を提供する。
論文 参考訳（メタデータ） (2021-02-24T06:37:05Z)
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。