論文の概要: Proactive Physical AI through Continuous Observation and Timely Intervention

• arxiv url: http://arxiv.org/abs/2610.16967v1
• Date: Mon, 12 Oct 2026 15:33:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.397399
• Title: Proactive Physical AI through Continuous Observation and Timely Intervention
• Title（参考訳）: 連続観察と時間的干渉による能動的物理AI
• Abstract要約: ProAgentは2つのコンポーネントを中心に構築されたエンドツーエンドシステムである。 Jevスタイルのプロアクティブタイミングモデルは、介入が必要かどうかを判断する。 Response Modelは、人に対するレスポンスを生成したり、物理的実行のために利用可能なデバイス機能を呼び出す。
• 参考スコア（独自算出の注目度）: 67.51229925917208
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Physical AI is commonly formulated around an explicitly specified task: given a goal or instruction, a system perceives, reasons, and acts. In many real-world settings, however, important tasks emerge from continuously changing world states before a person explicitly formulates them. We study this complementary problem as Proactive Physical AI, where an AI system continuously observes the physical world, identifies situations that warrant intervention, and initiates appropriate actions at the right time. We develop ProAgent, an end-to-end system built around two components: a Jev-style proactive timing model (dubbed StreamingJev) that determines whether and when intervention is needed, and a Response Model that generates responses for people or invokes available device capabilities for physical execution. To support learning at scale, we develop an automated data pipeline that converts videos into supervision for proactive timing. Experiments demonstrate strong proactive performance under both explicit objectives and standing roles, combining more accurate intervention timing with fewer false triggers than the source-backbone baseline. Real-robot evaluations further demonstrate ProAgent's ability to identify emerging needs and translate them into appropriate physical actions.
• Abstract（参考訳）: 物理的AIは、ゴールまたは命令が与えられたとき、システムが認識し、理由と行動という、明確に指定されたタスクを中心に定式化される。 しかし、多くの現実世界では、人が明確に定式化する前に、世界状態の継続的な変化から重要なタスクが現れる。 本稿では,この相補的問題を,AIシステムが継続的に物理世界を観察し,介入を保証する状況を特定し,適切なタイミングで適切な行動を開始する,プロアクティブ物理AIとして研究する。 本稿では,介入が必要かどうかを判断するJevスタイルのプロアクティブタイミングモデル(StreamingJev)と,物理的実行のために利用可能なデバイス機能を起動する応答モデルという,2つのコンポーネントを中心に構築されたエンドツーエンドシステムであるProAgentを開発する。 大規模学習を支援するために,ビデオのプロアクティブなタイミングを監督する自動データパイプラインを開発した。 実験では、明示的な目的と定常的な役割の両方の下で、強い前向きなパフォーマンスを示し、より正確な介入タイミングと、ソースバックボーンベースラインよりも少ない偽トリガを組み合わせている。 リアルロボットの評価はさらに、ProAgentの新たなニーズを特定し、それらを適切な物理的行動に変換する能力を示している。

関連論文リスト

• EWAM: Emergent Depth-Wise Specialization in a Unified Embodied Model -- From Semantic Understanding through Visual Foresight to Action [65.7650775259592]
  視覚言語行動(VLA)ポリシーは意味理解を重視し、世界行動モデル(WAM)は環境力学の予測表現を学習する。 本研究では,アクション中心の統一型エンボディモデルであるEWAMについて述べる。
  論文  参考訳（メタデータ） (2026-09-30T15:35:53Z)
• RAPID: Robot Agentic Programming from Demonstrations [47.78221527883912]
  この研究は、ロボットプログラムを自動生成し、検証し、洗練するロボットエージェントプログラミング(RAPID)を導入している。 すべての実験において、RAPIDはオブジェクトのポーズ、形状、材料、環境を一般化し、強い性能を示した。
  論文  参考訳（メタデータ） (2026-09-24T17:58:21Z)
• In-Context Robot Learning with VLM Agents [45.801127106171016]
  本稿では,テキスト内ロボット学習のための汎用フレームワークであるGPT-Policyを紹介する。 タスクの成功と効率の指標を通じて信頼性と限界を評価します。 実際のロボット実験では、人間のビデオデモはロボットアクションラベルなしでもタスク完了を改善する。
  論文  参考訳（メタデータ） (2026-09-16T17:58:35Z)
• From World Action Models to Embodied Brains: A Roadmap for Open-World Physical Intelligence [54.62791372989525]
  アクションモデル、ビジョン言語-アクションポリシー、世界モデルは、この目標を前進させた。 世界行動モデル(WAM)は、候補者の介入と予測された結果とを結びつけるため、特に有望である。 我々は、WAMへの進化をレビューし、これらの制限をモデルの役割と表現、目的と標準化、システム構成という3つの組み合わせのギャップにまとめる。
  論文  参考訳（メタデータ） (2026-07-13T15:22:56Z)
• One Demonstration Is Enough for Real-World Robotic Reinforcement Learning [34.23164234669014]
  本稿では,実世界のロボットRLにおける介入プロセスを完全に自動化するために,ひとつのデモンストレーションを利用するAutoSERLを提案する。 2つのロボットプラットフォームにまたがる6つの接触集中操作タスク(挿入、吊り下げ、ヒンジベースタスク)についてAutoSERLを評価した。
  論文  参考訳（メタデータ） (2026-07-02T03:23:40Z)
• OFlow: Injecting Object-Aware Temporal Flow Matching for Robust Robotic Manipulation [55.56490813640669]
  VLAモデルは典型的には現在のフレームにのみ作用するが、将来の予測とオブジェクト認識推論は別々の潜在空間でしばしば学習される。 本稿では,時間的フォアシークエンスとオブジェクト認識推論を共通化することで,制約に対処するフレームワークOFlowを提案する。 提案手法は, 時間的フローマッチングを用いて将来の潜伏者を予測し, 物理的に関係のある手がかりを強調するオブジェクト認識表現に分解する。
  論文  参考訳（メタデータ） (2026-04-20T06:38:01Z)
• TATIC: Task-Aware Temporal Learning for Human Intent Inference from Physical Corrections in Human-Robot Collaboration [3.4672098154671995]
  ヒューマンロボットコラボレーション(HRC)では、ロボットは動的タスクの制約にオンラインで適応し、人間の意図を進化させなければならない。 本稿では,トルクベース接触力推定とタスク対応時間畳み込みネットワーク(TCN)を利用した個別タスクレベルの意図を推定する統合フレームワークTATICを提案する。 実験は意図認識において0.904 Macro-F1のスコアを獲得し、ハードウェアの検証に成功した。
  論文  参考訳（メタデータ） (2026-03-10T21:19:25Z)
• On-the-Fly VLA Adaptation via Test-Time Reinforcement Learning [61.38273866396522]
  ビジョン・ランゲージ・アクションモデルが汎用ロボット学習の強力なパラダイムとして登場した。 現在の手法は、シミュレーションや物理世界の展開に挑戦するには相変わらず適していない。 本稿では,VLA フレームワークのテスト時間強化学習について紹介する。
  論文  参考訳（メタデータ） (2026-01-11T01:51:30Z)
• A Hierarchical Agentic Framework for Autonomous Drone-Based Visual Inspection [1.7165503847488661]
  本稿では,自律型ドローン制御のための階層型エージェントフレームワークと,個別機能実行のための推論手法を提案する。 本フレームワークは,産業用リードアウトの解釈や検査機器の検査など,屋内産業環境での視覚的検査作業に重点を置いている。 自然言語処理をエージェント通信に活用することにより、従来のドローンベースのソリューションに代わる、斬新で柔軟な、ユーザアクセス可能な代替手段を提供する。
  論文  参考訳（メタデータ） (2025-09-30T20:31:30Z)
• When to Ask for Help: Proactive Interventions in Autonomous Reinforcement Learning [57.53138994155612]
  強化学習の長期的な目標は、世界で自律的に対話し学習できるエージェントを設計することである。 重要な課題は、ロボットアームが物体をテーブルから押し出したときなど、外部からの援助を必要とする不可逆状態の存在である。 本研究では,非可逆状態の検出と回避を効率よく学習し,エージェントが侵入した場合に積極的に支援を求めるアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-10-19T17:57:24Z)

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。