論文の概要: Instruction-Conditioned Motion Control for Robotic Arms: Language-to-Code Decomposition and Reinforcement Learning
- arxiv url: http://arxiv.org/abs/2610.19617v1
- Date: Wed, 14 Oct 2026 05:38:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-15 21:06:15.983787
- Title: Instruction-Conditioned Motion Control for Robotic Arms: Language-to-Code Decomposition and Reinforcement Learning
- Title（参考訳）: ロボットアームの命令記述型動作制御:言語間分解と強化学習
- Abstract要約: Instruction-Conditioned Motion Controlは、言語駆動ロボット制御のためのパラメータ仕様、命令生成、コード合成を分離する。
我々は, MuJoCo のUR5e アームの立方体ピック・アンド・プレースおよび文字変換タスクにおいて, ICMC と o1 と o4-mini のワンショット生成を比較した。
GRPOによるオープンウェイトな命令ポリシーを,立方体配置上のフリーズコード生成器を通じて2進と5進の文字レイアウトで訓練し,命令1つにつき5つのプログラムの報酬を平均化する。
- 参考スコア（独自算出の注目度）: 14.391605943275032
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Instruction-Conditioned Motion Control (ICMC) separates parameter specification, instruction generation, and code synthesis for language-driven robot control, making execution outcomes traceable to instructions and programs. We compare one-shot generation with ICMC under o1 and o4-mini on cube pick-and-place and letter-reshaping tasks for a UR5e arm in MuJoCo. We then train an open-weight instruction policy by GRPO through a frozen code generator on cube placement onto two- and five-cube letter layouts, averaging the rewards of five programs per instruction. The logged positive-reward rate rose from 31.6% to 35.3% (253/800 to 282/800) between the first and last five training steps. A log audit identifies positive binary labels associated with geometric-failure messages: at least 19 in that run, 18 in the dense-reward run, and 5 in the run with one program per instruction. In one case, all five rewards were 1.0 while the log reports a 0.9515 m miss against a 0.05 m tolerance; the verdict came from the program's own output stream. We distinguish logged reward rates from independently verified task success and report descriptive results for each configuration's single training trajectory. We introduce an independent evaluation protocol that checks task completion against fixed specifications, separating robot control from success assessment to support reproducible evaluation.
- Abstract（参考訳）: Instruction-Conditioned Motion Control (ICMC)は、言語駆動型ロボット制御のためのパラメータ仕様、命令生成、コード合成を分離し、実行結果を命令やプログラムにトレースできるようにする。
我々は, MuJoCo のUR5e アームの立方体ピック・アンド・プレースおよび文字変換タスクにおいて, ICMC と o1 と o4-mini のワンショット生成を比較した。
次に,2キューブと5キューブの文字配置に凍結コード生成器を配置し,GRPOによるオープンウェイト命令ポリシーをトレーニングし,命令あたりの5つのプログラムの報酬を平均化する。
記録された前向き回帰率は、最初の5段階と最後の5段階の間に31.6%から35.3%(253/800から282/800)に増加した。
ログ監査は、幾何障害メッセージに関連する正のバイナリラベルを識別する。
1つのケースでは、全ての5つの報酬は1.0であり、ログは0.9515mのミスを0.05mの許容値に対して報告し、判定はプログラムの出力ストリームから得られた。
我々は、ログ化された報酬率と、個別に検証されたタスク成功とを区別し、各構成の単一学習軌道について記述結果を示す。
そこで本研究では,ロボット制御を成功評価から切り離し,再現性評価を支援する独立評価プロトコルを提案する。
関連論文リスト
- AgentHorizon: Evaluating Agentic Judges for Long-Horizon Computer-Use Tasks [67.28108897589799]
AgentHorizonは、1,373のコンピュータ利用タスクのベンチマークである。
同様の(しかし互換性のない)要求を完了したのと、成功した軌道を区別する能力について、審査員を評価した。
我々の最高のエージェント・ジャッジであるGPT-5.5は、AHサブセット上で80.9%のバランスの取れた精度を達成する。
論文 参考訳（メタデータ） (2026-10-08T01:03:48Z) - Encore: Few-Shot Agentic Discovery of Manipulation Strategies [22.78288621506192]
コーディングエージェントは、人間の助けなしにプログラムを書いて、実行し、デバッグすることができる。
ENCOREを導入することで、エージェントはトレーニングデータではなく、読むための証拠として、いくつかのデモを行うことができる。
コーディングエージェントはパックを研究し、固定された認識とアクションAPIに対するポリシープログラムを書き、いくつかの開発ロールアウトに対して反復的にそれを洗練し、成功シグナルを決して明らかにしない封印された評価の前にそれを凍結する。
論文 参考訳（メタデータ） (2026-09-29T12:21:27Z) - MARCO: Multi-Round Agentic Reinforcement for Conditional Molecular Optimization [54.020314646710204]
我々は分子エディターを訓練する評価器を用いた強化学習フレームワークであるMARCOを紹介する。
MARCOは、形をしたターン報酬を、グループ相対的なポリシー最適化のための未公表の軌道リターンに集約する。
このトレーニングの結果は,一応の予算でトレーニングされたポリシをテストし,同じポリシが検証者フィードバックを利用できるかどうかをSame-5でテストする,という2つの結果が得られた。
論文 参考訳（メタデータ） (2026-09-29T04:21:05Z) - Information-Gain Rewards over Diversity-Pruned Tests: GT-Anchored Verifier Co-Training for Reliable Code Generation [3.446250207083329]
CoVerはQwen2.5-Instructバックボーン上で1ショットパス@1を7Bで+5.8ポイント、14Bで+7.1ポイント上げる。
3段階の多様性認識選択ステップは、候補プールを行動的に非冗長スイートにプルークする。
CodeTランキングパイプライン内のドロップインバックボーンとして、CoVer-7Bは+3.5ポイントを追加し、生成と選択の両方でコトレーニングの2つのメリットを示している。
論文 参考訳（メタデータ） (2026-09-18T01:46:28Z) - Numbat: Building and Verifying a Self-Contained Machine-Learning Stack [0.0]
numbatは1つの汎用言語(Zig)で書かれた機械学習スタックで、サードパーティの依存関係はない。
我々はナムバットの構築と検証について報告する。
論文 参考訳（メタデータ） (2026-09-09T08:36:12Z) - NeoHorse-1: Towards Recursive Self-Improvement via Agentic Post-Training with Routing Harness [76.6324710887112]
NeoHorse-1は、エージェントのポストトレーニングを通じてこの経路を探索するために開発されたエージェントネイティブモデルのファミリーである。
本システムでは,異種モデルプールとインテリジェントなルーティング,予測能力要求,選択されたサービス層,およびその後のユーザ毎のインタラクションを結合する。
論文 参考訳（メタデータ） (2026-09-08T03:14:54Z) - Substrate-Aware AI Agents: Execution Context as a First-Class Input [0.0]
最小限の実行契約は、生成プログラムにおけるプロアクティブな構造適応を誘導することを示す。
これらの結果は、基質認識エージェント計画のための制御された概念実証を確立した。
論文 参考訳（メタデータ） (2026-09-04T14:57:17Z) - Disagree to Explore, Agree to Commit: Routing-Guided Test-Time Scaling for Software Agents [60.650808962786364]
外部判断や選択時間テストの実行なしに,ネイティブなMoEルータトレースがステアリングと選択をガイドできるかどうかを検討する。
我々の分析は、ルーティングが堅牢な行動的役割シグナルを提供することを示している。トークン・グラニュラ・リードアウトと決定整合比較セットは、ルーティングを効果的に制御する。
オープンウェイトスパースMOEエージェントを用いたSWEベンチ検証を行い,評価を行った。
論文 参考訳（メタデータ） (2026-08-23T03:07:03Z) - Code-Guided Reasoning for Small Language Models: Evaluating Executable MCQA Scaffolds [14.64394876057282]
評価プロトコルと生成プログラムリソースであるCode-Guided Reasoning (CGR)を紹介する。
CGRは6つのコンポーネントを標準化している: 正規化されたアイテムインターフェース、直接解決プロンプト、ジェネレータプロンプト、Pythonの足場、ソルバコールと抽出ヘルパー、3チャンネルの結果レコード。
20,498行のMCQAバンドルと6つのメタデータ登録ソルバモデルからの保存結果行に対して、観測された非ゼロベースライン分割は66.21%のマクロアシスト精度と38.11%の直接精度を示している。
論文 参考訳（メタデータ） (2026-05-12T20:20:06Z) - One Battle After Another: Probing LLMs' Limits on Multi-Turn Instruction Following with a Benchmark Evolving Framework [51.50565654314582]
大規模言語モデルは、複数のトピックにまたがる対話を通して、ユーザの指示に従うことができる。
既存のベンチマークは、しばしば一定回数のターンに制限されるため、飽和の影響を受けにくく、ユーザのインタラクティブなエクスペリエンスを考慮できない。
マルチターン命令追従能力を評価するためのフレームワークを提案する。
論文 参考訳（メタデータ） (2025-11-05T14:39:59Z) - Learning from Self-Sampled Correct and Partially-Correct Programs [96.66452896657991]
そこで本研究では,モデルが学習中にサンプリングを行い,自己サンプリングされた完全正当プログラムと部分正当プログラムの両方から学習することを提案する。
自己サンプリング型プログラムと部分修正型プログラムを併用することで,学習とサンプリングプロセスのガイドに役立てることができることを示す。
提案手法は,MLEを用いた単一の参照プログラムからの学習と比較して,パス@kの性能を3.1%から12.3%向上させる。
論文 参考訳（メタデータ） (2022-05-28T03:31:07Z)
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。