論文の概要: Towards Agentic Robots: Model, Data, Environment, and Harness
- arxiv url: http://arxiv.org/abs/2610.20442v1
- Date: Wed, 14 Oct 2026 16:32:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-15 21:06:16.252455
- Title: Towards Agentic Robots: Model, Data, Environment, and Harness
- Title（参考訳）: エージェントロボットを目指して--モデル,データ,環境,ハーネス
- Abstract要約: ファンデーションモデルは、ロボットインテリジェンスにおけるパラダイムシフトを推進している。
我々はこのパラダイムをエージェントロボットとして特徴付け、エージェントが人間の指示を理由づける。
本稿では,エージェントロボットに関する既存の研究の概要について述べる。
- 参考スコア（独自算出の注目度）: 104.80019217099614
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Foundation models are driving a paradigm shift in robotic intelligence, moving beyond low-level action prediction to goal-directed orchestration of data collection, model training, task planning, and real-world execution. We characterize this emerging paradigm as an agentic robots, in which agents reason over human instructions, interact with robotic environments, rectify execution errors autonomously, and dynamically adjust operational strategies. Although this field develops fast, current studies are not well connected. Researchers have no consistent view of how to combine different agentic functions into a complete robot system. This paper provides a unified overview of existing research on agentic robots. We first trace the development from robot policies to agentic systems, covering vision-language-action models, world models, and world-action models. We then clarify the definition and scope of agentic robots and organize existing research into seventeen categories across four functional domains: Model, Data, Environment, and Harness. Across these domains, we examine how agents shape model learning and robot decisions, collect and curate robot data, construct worlds, tasks, and tests for learning and evaluation, and organize capabilities for robot use. Finally, we discuss open challenges and outline directions for future research. Looking forward, we hope this work contributes to a clearer understanding of agentic robots and supports new approaches to making them more capable, reliable, and adaptive.
- Abstract（参考訳）: ファンデーションモデルは、ロボットインテリジェンスにおけるパラダイムシフトを推進し、低レベルのアクション予測を越えて、データコレクションの目標指向オーケストレーション、モデルトレーニング、タスク計画、実世界の実行へと移行している。
エージェントは人間の指示を推論し、ロボット環境と対話し、自律的に実行エラーを修正し、運用戦略を動的に調整する。
この分野は急速に発展するが、現在の研究は十分に結びついていない。
研究者は、さまざまなエージェント機能を完全なロボットシステムに組み合わせる方法について、一貫した見解を持っていません。
本稿では,エージェントロボットに関する既存の研究の概要について述べる。
まず、ロボットポリシーからエージェントシステム、視覚言語アクションモデル、世界モデル、世界アクションモデルまでをトレースする。
次に、エージェントロボットの定義とスコープを明らかにし、既存の研究をモデル、データ、環境、ハーネスの4つの機能領域にまたがる17のカテゴリに分類する。
これらの領域にまたがって、エージェントがモデル学習とロボット決定をどう形成し、ロボットデータを収集し、キュレートし、世界、タスクを構築し、学習と評価のためのテストを構築し、ロボットの使用能力を整理するかを検討する。
最後に,オープン課題について論じ,今後の研究の方向性について概説する。
今後は、エージェントロボットの理解を深め、より有能で信頼性があり適応的な新しいアプローチをサポートすることを願っている。
関連論文リスト
- World Model for Robot Learning: A Comprehensive Survey [168.5691568303064]
この調査は、ロボット学習の世界モデルに関する急速に成長している文献を体系的にレビューする。
本研究では,世界モデルがロボット政策とどのように結合されているか,強化学習と評価のための学習シミュレータとしてどのように機能するか,ロボットビデオワールドモデルが想像力に基づく生成から,制御可能で構造化された,基礎的規模の定式化までどのように進展してきたかを検討する。
本調査は,ロボット学習の世界モデルに関する文献を体系的にレビューし,主要なパラダイムと応用を明らかにするとともに,具体的エージェントにおける予測モデリングの大きな課題と今後の方向性を明らかにする。
論文 参考訳（メタデータ） (2026-04-30T14:35:31Z) - Model Reconciliation through Explainability and Collaborative Recovery in Assistive Robotics [4.666406865641358]
我々は,ロボットと人間のメンタルモデルの違いを予測し,説明するために,大規模言語モデルを利用する。
本フレームワークは,人間にロボットの修正を許すことで,説明後のモデルのばらつきを解決することを目的としている。
論文 参考訳（メタデータ） (2026-01-10T12:38:08Z) - Autonomous Embodied Agents: When Robotics Meets Deep Learning Reasoning [0.9790236766474201]
この論文は、室内環境におけるエンボディ化剤の完全な生成プロセスに続くものである。
我々は、この分野での今後の研究を促進するために、エンボディードAIと自律エージェントの研究に貢献することを目指している。
論文 参考訳（メタデータ） (2025-05-02T00:43:28Z) - Redefining Robot Generalization Through Interactive Intelligence [0.0]
ロボットファンデーションモデルは、リアルタイムの人間-ロボット共適応の複雑さを扱うために、インタラクティブなマルチエージェント視点に進化する必要がある、と我々は主張する。
シングルエージェントデザインを超えて、私たちの立場は、ロボット工学の基礎モデルがより堅牢でパーソナライズされ、予想されるパフォーマンスのレベルを達成する方法を強調しています。
論文 参考訳（メタデータ） (2025-02-09T17:13:27Z) - $π_0$: A Vision-Language-Action Flow Model for General Robot Control [77.32743739202543]
本稿では,インターネット規模のセマンティック知識を継承するために,事前学習された視覚言語モデル(VLM)上に構築された新しいフローマッチングアーキテクチャを提案する。
我々は,事前訓練後のタスクをゼロショットで実行し,人からの言語指導に追従し,微調整で新たなスキルを習得する能力の観点から,我々のモデルを評価した。
論文 参考訳（メタデータ） (2024-10-31T17:22:30Z) - GRAPPA: Generalizing and Adapting Robot Policies via Online Agentic Guidance [15.774237279917594]
本稿では,ロボットによる自己指導と自己改善のためのエージェントフレームワークを提案する。
本フレームワークは,環境中の関連オブジェクトに対して,ベースロボットポリシーを反復的に適用する。
弊社のアプローチは、操作ポリシーを効果的にガイドし、成功率を大幅に向上させることを実証する。
論文 参考訳（メタデータ） (2024-10-09T02:00:37Z) - RoboGen: Towards Unleashing Infinite Data for Automated Robot Learning via Generative Simulation [68.70755196744533]
RoboGenはジェネレーティブなロボットエージェントで、ジェネレーティブなシミュレーションを通じて、さまざまなロボットのスキルを自動的に学習する。
我々の研究は、大規模モデルに埋め込まれた広範囲で多目的な知識を抽出し、それらをロボット工学の分野に移す試みである。
論文 参考訳（メタデータ） (2023-11-02T17:59:21Z)
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。