論文の概要: MIND: Instruction-Conditioned Incremental Grounding for Robots
- arxiv url: http://arxiv.org/abs/2610.19262v1
- Date: Tue, 13 Oct 2026 22:33:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-15 21:06:15.831078
- Title: MIND: Instruction-Conditioned Incremental Grounding for Robots
- Title（参考訳）: MIND:ロボットのためのインストラクション・コンストラクション・インクリメンタルグラウンド
- Abstract要約: イベント後の各部屋を再評価することなく、目標部屋決定を維持するためのフレームワークであるMINDを提案する。
MINDは、セマンティック依存関係をイベントフットプリントとインターセプトし、影響した判断をリフレッシュし、リーチビリティと選択を別々に更新する。
一定の決定論的評価、計画、選択のために、MINDは平均意味評価を30.6から11.2に減らし、1200の事後決定をすべて保存している。
- 参考スコア（独自算出の注目度）: 2.6424021470496672
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Robots following persistent language instructions must decide which cached room judgments remain valid as their environment changes. We present MIND (Maintenance via INstruction-conditioned Dependencies), a framework for maintaining target-room decisions without re-evaluating every room after each event. A language model compiles each instruction into dependencies for semantic qualification and target selection. The controller intersects semantic dependencies with event footprints, refreshes affected judgments, and updates reachability and selection separately. For fixed deterministic evaluation, planning, and selection, conservative dependency and footprint coverage preserves the decisions of full recomputation. On 240 five-event ProcTHOR sequences with an exact benchmark predicate, MIND reduces mean semantic evaluations from 30.6 to 11.2 while preserving all 1,200 post-event decisions. Frozen-evaluator experiments with Phi-4 and Qwen3-14B also preserve all 1,200 decisions, without improving the evaluators' underlying task accuracy. In 32 closed-loop AI2-THOR episodes using exact-predicate qualification and metadata-derived footprints, MIND matches the final target decision of full recomputation in every episode. Unitree G1 experiments demonstrate target reuse and reselection across room transitions without additional semantic evaluations under MIND, and abstention after a barrier and an object removal at 4 evaluations against 15 to 18. Additional materials are available at https://mind-icra27.github.io/.
- Abstract（参考訳）: 永続的な言語命令に従うロボットは、環境の変化に応じてどのキャッシュされた部屋の判断が有効かを決定する必要がある。
我々は,各イベント後のすべての部屋を再評価することなく,目標部屋の決定を維持するためのフレームワークであるMIND(Maintenance via Instruction-conditioned Dependencies)を提案する。
言語モデルは、各命令をセマンティックな資格とターゲットの選択のために依存関係にコンパイルする。
コントローラは、セマンティック依存関係をイベントフットプリントとインターセプトし、影響した判断をリフレッシュし、リーチビリティと選択を別々に更新する。
一定の決定論的評価、計画、選択のために、保守的な依存関係とフットプリントカバレッジは、完全な再計算の決定を保存する。
240の5値のProcTHORシーケンスと正確なベンチマーク述語では、MINDは平均的なセマンティック評価を30.6から11.2に減らし、1200の事後決定をすべて保存している。
Phi-4とQwen3-14Bによる凍結評価器の実験は、評価器の基礎となるタスク精度を向上することなく、1,200の判定を全て保存した。
32の閉ループAI2-THORエピソードにおいて、正確な述語資格とメタデータ由来のフットプリントを使用して、MINDは各エピソードにおける完全な再計算の最終目標決定と一致する。
ユニツリーG1実験では,MIND下でのさらなる意味評価を行なわずに,目的の再利用と再選択を実証した。
追加資料はhttps://mind-icra27.github.io/.comで入手できる。
関連論文リスト
- Jeva: System One Models from First Principles [58.432996881401415]
Jevaは4つの重要な構造的要件に対処する、決定ネイティブなアーキテクチャです。
共有エンコーダは独立して要求と各オプションを表現し、コンパクトな決定スタックはイミュータブルなオプションメモリに対してのみ要求状態を洗練する。
評価全体を通じて、Jevaは強い型付き決定性能とほぼ完璧なヌル検出を組み合わせ、テストされた置換の下では決定の反転は行わない。
論文 参考訳（メタデータ） (2026-10-13T17:31:09Z) - Benchmarking Self-Supervised 3D Medical Vision Foundation Models and Transferability Estimation [57.65266782182578]
セルフ教師付き事前トレーニングは、3D医療基盤モデルのプールを拡張したが、異なるデータセット、エンドポイント、微調整プロトコルを使用した評価を公表した。
14のセグメンテーション、分類、回帰タスク、複数の解剖学とモダリティにまたがる23の候補をベンチマークした。
3モデルショートリストは、7つのセグメンテーションタスクで記録された抜粋+訓練ジョブ時間を85.8%削減した。
論文 参考訳（メタデータ） (2026-10-13T01:52:19Z) - Same Goal, Different Words: Spatial Instruction Sensitivity in World-Action Models [5.452798072984611]
世界行動モデルは、空間的目標の等価な記述を通して意図された操作を保存するべきである。
この一貫性を,RoboLabの4つのシーンにわたる3つのモデルから864のロールアウトで評価した。
論文 参考訳（メタデータ） (2026-10-12T06:15:07Z) - What to Admit and How to Present: Governing Persistent Memory in LLM Agents [3.0075075797261532]
私たちは、承認とプレゼンテーションの2つのガバナンス決定を区別します。
再トレーニングなしに2つの推論時設計を実装した。
対訳 FC と PS はプールド・ジャッジ・アセスド・失敗率を低下させる。
論文 参考訳（メタデータ） (2026-10-08T03:45:28Z) - Probability Contracts: Accuracy, Coherence, and Decisions Across LLM Interfaces [10.720985236309462]
本稿では,有限世界後部を正確に接続するベンチマーク,イベントアライメントの検証,インタフェースのコヒーレンス,フェール・アウェアな決定評価について紹介する。
1000の世界の4つのモデル-インタフェース構成の中で、ケブはJevよりも集合正準後誤差が低いが、補体と粗い残差が大きい。
Jev の Event と Choice インターフェースは、有効なペアの 32.8% のバイナリアクションを、遅延コスト 0.10 で変更する。
論文 参考訳（メタデータ） (2026-09-27T19:07:58Z) - 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) - Predict Before You Deploy: Offline Prediction of Quantization-Induced Task Degradation for World Action Models [2.347191837057308]
トレーニング後の量子化はメモリを削減するが、ビット幅、グループ化、および量子化器の選択は大きな構成空間を定義する。
オフライン動作偏差から量子化によるタスク劣化を予測するためのポリシ校正フレームワークであるPreDEを提案する。
独立に調整された2つのポリシーに対する450のフランカ・リサーチ3の試験では、試験前に高分解能グループに割り当てられた全ての構成が著しく劣化した。
論文 参考訳（メタデータ） (2026-09-16T21:25:37Z) - Stage-Replay Divergence Follows the KV Cache: Fixed-Prefix Precision Controls and Bidirectional Cache Transplantation [51.56484100374058]
Stage-replayは中間トークンプレフィックスを再構築し、プレフィックスに最初に到達したデコーダ状態からの継続として、新しいプリフィル継続を処理する。
一致した200itemの実験では、保持されたライブキャッシュと同一の整数トークンのワンショットプリフィルを比較し、両側に正確なレプリカを配置する。
論文 参考訳（メタデータ） (2026-07-30T16:41:40Z) - ClawArena: Benchmarking AI Agents in Evolving Information Environments [61.664633997138004]
ClawArenaは、進化する情報環境におけるAIエージェントの評価のためのベンチマークである。
それぞれのシナリオは、エージェントをノイズ、部分的、時には矛盾するトレースだけに露呈しながら、完全に隠された地上の真実を維持します。
評価は、マルチソースコンフリクト推論、動的信念修正、暗黙のパーソナライゼーションという3つの複合的な課題に基づいて構成される。
論文 参考訳（メタデータ） (2026-04-05T17:55:23Z) - Eigen-1: Adaptive Multi-Agent Refinement with Monitor-Based RAG for Scientific Reasoning [53.45095336430027]
暗黙的な検索と構造化された協調を組み合わせた統合フレームワークを開発する。
Humanity's Last Exam (HLE) Bio/Chem Goldでは,48.3%の精度を実現している。
SuperGPQAとTRQAの結果はドメイン間の堅牢性を確認した。
論文 参考訳（メタデータ） (2025-09-25T14:05:55Z)
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。