論文の概要: SurgiCLAW: An Interpretable Atomic-Skill Agent for Precision Robotic Micromanipulation

• arxiv url: http://arxiv.org/abs/2610.15766v1
• Date: Sun, 11 Oct 2026 16:45:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.246507
• Title: SurgiCLAW: An Interpretable Atomic-Skill Agent for Precision Robotic Micromanipulation
• Title（参考訳）: SurgiCLAW:精密ロボットマイクロマニピュレーションのための解釈可能な原子スキルエージェント
• Abstract要約: SurgiCLAWは、精密外科手術のための階層的なスキルベースのフレームワークである。 教師付き微調整によって、構造化されたスキルの実行を学ぶ。 アクションの正しさ、操作の前提条件、フォーマットの妥当性の3つの報酬を使って最適化されている。
• 参考スコア（独自算出の注目度）: 5.657921550627022
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Recent multimodal large language models (MLLMs) and vision--language--action models have provided robots with new capabilities for long-horizon task understanding and planning. In surgical robotics, however, end-to-end prediction of low-level actions remains limited by insufficient precision, opaque decisions, and scarce data. This paper presents SurgiCLAW, a hierarchical skill-based framework for precision surgical manipulation. SurgiCLAW confines an MLLM to intraoperative visual understanding, structured explanation, and atomic surgical-skill selection, while delegating physical execution to verifiable deterministic control programs. For brain--machine-interface implantation, a representative high-precision surgical task, we construct a state-to-skill invocation dataset and expand it through visual and state perturbations. The model first learns structured skill invocation through supervised fine-tuning and is then optimized using three rewards for action correctness, operation prerequisites, and format validity, improving action selection, operational safety, and output parseability. We evaluate subtask success, offline model comparison, real-robot performance, and ablations. On a fixed test set, SurgiCLAW achieves 94.6% skill-selection accuracy and 93.0% macro-averaged F1 (Macro-F1). Across 50 closed-loop real-robot implantation trials, it achieves an 88.0% task success rate.
• Abstract（参考訳）: 近年のマルチモーダル・大規模言語モデル(MLLM)と視覚-言語-アクションモデルにより、ロボットに長期タスク理解と計画のための新たな能力が提供された。 しかしながら、外科ロボティクスでは、低レベルの動作のエンドツーエンド予測は、不十分な精度、不透明な決定、少ないデータによって制限されている。 本稿では,外科手術のための階層的スキルベースフレームワークであるSurgiCLAWについて述べる。 SurgiCLAWはMLLMを手術中の視覚的理解、構造化された説明、原子の外科的スキルの選択に限定し、物理的実行を検証可能な決定論的制御プログラムに委譲する。 脳-機械-インタフェースの移植は, 高精度な外科手術である。我々は, 状態からスキルへの実行データセットを構築し, 視覚的および状態的摂動を通じて拡張する。 モデルはまず、教師付き微調整によって構造化されたスキルの実行を学習し、次にアクションの正しさ、操作の前提条件、フォーマットの妥当性、アクションの選択の改善、運用安全性、出力パーセビリティの3つの報酬を用いて最適化する。 我々は,サブタスクの成功,オフラインモデルの比較,実ロボットのパフォーマンス,改善を評価した。 固定テストセットでは、SurgiCLAWは94.6%のスキル選択精度と93.0%のマクロ平均F1(Macro-F1)を達成する。 50回のクローズドループ実ロボット移植試験で88.0%のタスク成功率を達成した。

関連論文リスト

• MedVLA: A Hierarchical Vision-Language-Action Framework for Closed-Loop Precision Medical Robot Manipulation [2.861724298669778]
  我々は,高レベルのマルチモーダル推論と低レベルの関数制約実行を結合した階層型フレームワークであるMedVLAを提案する。 異なるマルチモーダルな大モデルバックボーン上に構築されたMedVLAは、微調整後のパフォーマンスを一貫して改善する。 これらの結果は, 機能レベルの制約のある構造化推論が, 展開可能な精密医療ロボティクスへの実践的経路であることを示唆している。
  論文  参考訳（メタデータ） (2026-09-22T06:50:10Z)
• Qwen-VLA: Unifying Vision-Language-Action Modeling across Tasks, Environments, and Robot Embodiments [96.23886784364997]
  身体的な知性は、操作やナビゲーションといった個々のタスクのための特別なモデルを通してしばしば研究される。 本稿では,Qwenの視覚言語モデリングスタックを連続的な動作と軌道生成に拡張した統一的な基礎モデルであるQwen-VLAを提案する。
  論文  参考訳（メタデータ） (2026-05-28T17:36:31Z)
• Kinematic-Based Assessment of Surgical Actions in Microanastomosis [4.92174988745803]
  マイクロアナコシスにおける自動動作セグメンテーションとパフォーマンスアセスメントのためのAI駆動型フレームワークを提案する。 58人の専門家によるマイクロアナコシスビデオのデータセットは、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2025-12-30T02:18:49Z)
• Mechanistic Finetuning of Vision-Language-Action Models via Few-Shot Demonstrations [76.79742393097358]
  Vision-Language Action (VLA)モデルは、視覚言語モデル(VLM)をロボット工学に拡張することを約束している。 既存の微調整手法には特異性がなく、タスクの視覚的、言語的、物理的特性に関わらず、同じパラメータセットを適用する。 神経科学における機能的特異性に触発されて、与えられたタスクに特有のスパースモデル表現を微調整することがより効果的である、という仮説を立てる。
  論文  参考訳（メタデータ） (2025-11-27T18:50:21Z)
• SAP-Bench: Benchmarking Multimodal Large Language Models in Surgical Action Planning [12.119082637875303]
  SAP-Benchは,多モーダル大言語モデル(MLLM)が解釈可能な手術行動計画を実行可能にするために設計された高品質なデータセットである。 我々のデータセットは、戦略的にサンプリングされた1,152個の電流フレームを提供し、それぞれが対応する次のアクションをマルチモーダル解析アンカーとしてペアリングする。 本稿では,MLLMを利用したMLLM-SAPフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-06-08T15:30:04Z)
• REMAC: Self-Reflective and Self-Evolving Multi-Agent Collaboration for Long-Horizon Robot Manipulation [57.628771707989166]
  本稿では,ReMACと呼ばれる適応型マルチエージェント計画フレームワークを提案する。 ReMACには2つの重要なモジュールが組み込まれており、ループ内で事前条件と後条件チェックを実行し、進捗と計画の洗練を評価する。
  論文  参考訳（メタデータ） (2025-03-28T03:51:40Z)
• SAM-E: Leveraging Visual Foundation Model with Sequence Imitation for Embodied Manipulation [62.58480650443393]
  Segment Anything (SAM) は、一般化可能なシーン理解とシーケンス模倣のための視覚境界モデルである。 我々は,単一パスにおけるアクションシーケンスの予測を可能にする,新しいマルチチャネルヒートマップを開発した。
  論文  参考訳（メタデータ） (2024-05-30T00:32:51Z)
• A Self-Correcting Vision-Language-Action Model for Fast and Slow System Manipulation [30.207690822989292]
  自己修正(SC-)VLAフレームワークは、アクションを直接予測する高速システムと、失敗したアクションを反映する遅いシステムを統合する。 高速システムでは,パラメータ効率のよい微調整を取り入れて,モデルにポーズ予測機能を持たせる。 動作が遅いシステムでは,動作不良後の人間の反射を模倣するように設計された,故障訂正のためのチェーン・オブ・ソート・トレーニング戦略を提案する。
  論文  参考訳（メタデータ） (2024-05-27T17:58:48Z)
• AlphaBlock: Embodied Finetuning for Vision-Language Reasoning in Robot Manipulation [50.737355245505334]
  本稿では,ロボット操作タスクにおける高レベル認知能力を学習するための新しいフレームワークを提案する。 得られたデータセットAlphaBlockは、多段階のテキストプランとペア観測による35の包括的なハイレベルタスクで構成されている。
  論文  参考訳（メタデータ） (2023-05-30T09:54:20Z)

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。