論文の概要: InstAgent: A Recursively Self-Improving Agent Operating System for Heterogeneous Robot Collaboration
- arxiv url: http://arxiv.org/abs/2610.23098v1
- Date: Fri, 16 Oct 2026 08:10:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-20 00:56:07.82459
- Title: InstAgent: A Recursively Self-Improving Agent Operating System for Heterogeneous Robot Collaboration
- Title（参考訳）: InstAgent: 異種ロボットコラボレーションのための再帰的自己改善エージェントオペレーティングシステム
- Abstract要約: 不均一なロボットチームは、補完的なセンシング、モビリティ、操作能力を組み合わせることで、複雑で長期にわたるタスクを可能にする。
既存のシステムは、再利用可能なエクスペリエンスとして実行時の修正を維持するのに苦労しています。
異種ロボットコラボレーションのためのセルフエージェントオペレーティングシステムInstAgentを提案する。
- 参考スコア（独自算出の注目度）: 30.067517431546648
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Heterogeneous robot teams enable complex, long-horizon tasks by combining complementary sensing, mobility, and manipulation capabilities across multiple embodiments. Yet existing systems struggle to retain execution-time corrections as reusable experience, maintain task-relevant context memory across space and time for reliable handoffs, and explicitly represent the inter-robot dependencies required for structured collaboration. In order to address these challenges, we present InstAgent, a recursively self-improving (RSI) Agent Operating System for heterogeneous robot collaboration. InstAgent organizes team behaviors as agentic behavior trees (BTs) that explicitly model capability assignment, inter-robot dependencies and handoff checks. The RSI mechanism updates these collaboration programs from execution feedback and preserves successful revisions for reuse in future tasks, while shared multimodal spatio-temporal memory provides context for planning and handoff validation. Experiments on 20 real-world multi-robot tasks with three high-level models show consistent gains in task success, first-attempt completion, and execution efficiency.
- Abstract（参考訳）: 不均一なロボットチームは、複数の実施形態をまたいだ補完的なセンシング、モビリティ、操作機能を組み合わせることで、複雑で長期にわたるタスクを可能にする。
しかし、既存のシステムは、再利用可能なエクスペリエンスとして実行時の修正を維持し、信頼性のあるハンドオフのために空間と時間にわたってタスク関連コンテキストメモリを維持し、構造化されたコラボレーションに必要なロボット間の依存関係を明確に表すのに苦労している。
これらの課題に対処するために、異種ロボット協調のための再帰的自己改善(RSI)エージェントオペレーティングシステムInstAgentを提案する。
InstAgentは、チームの振る舞いをエージェント行動木(BT)として整理し、機能割り当て、ロボット間の依存関係、ハンドオフチェックを明示的にモデル化する。
RSIメカニズムは、これらのコラボレーションプログラムを実行フィードバックから更新し、将来のタスクで再利用するために成功したリビジョンを保存する。
3つの高レベルモデルを用いた20個の実世界のマルチロボットタスクの実験では、タスクの成功、第一段階の完了、実行効率が一貫した向上を示した。
関連論文リスト
- RobotWorld: Benchmarking Multimodal Agents for Robot Use Across Diverse Tasks and Embodiments [91.39996227368]
汎用エージェントはますます、コードを書き、ツールを使い、複雑なデジタルタスクを完遂し、これらの能力が物理的な世界にどこまで浸透するかという疑問を提起している。
ロボットのインタフェースを通じて、指示や観察を物理的タスクの実行に変換するという、ロボット利用のための挑戦的なシミュレーションテストベッドであるRobotWorldを紹介した。
タスク結果と実行トレースを分析して、転送する機能と、信頼性の高い完了を防ぐギャップの両方を識別する。
論文 参考訳（メタデータ） (2026-10-07T16:55:24Z) - LIBERO-Agent: Evaluating General-Purpose Agents for Direct Embodied Manipulation [69.6306613959287]
汎用エージェントは、フィードバックから行動の計画、使用、修正を行うことができるが、これらの機能がデジタル環境から具体的操作へ移行するかどうかは不明だ。
本稿では,ロボット操作タスクにおけるエージェント評価のためのエージェントネイティブベンチマークであるLIBERO-Agentを紹介する。
論文 参考訳（メタデータ） (2026-09-30T11:10:10Z) - A Closed-Loop Multi-Agent Framework for Robust Multi-Robot Manipulation [37.78546236286294]
大規模言語モデル(LLM)は、目的を実行可能な計画に分解する推論機能を提供する。
本稿では,ロバストなマルチロボット操作を実現するための階層型クローズドループエージェントフレームワークを提案する。
本システムは3つの特殊エージェントから構成される: 計画エージェントは、割り当てられたサブタスクに指示を分解し、各ロボットの操作エージェントは、適応ツール使用によるアクションを実行し、検証エージェントは、物理的な結果を監視し、意味的訂正をフィードバックすることでループを閉じる。
論文 参考訳（メタデータ） (2026-07-08T04:23:41Z) - ROSClaw: A Hierarchical Semantic-Physical Framework for Heterogeneous Multi-Agent Collaboration [9.434833852972353]
ROSClawは、統一視覚言語モデル(VLM)コントローラにポリシー学習とタスク実行を統合する異種ロボットのためのエージェントフレームワークである。
自律的なクローズループフレームワークを確立することにより、ROSClawはロボット固有の開発への依存を最小限に抑える。
論文 参考訳（メタデータ） (2026-04-06T13:16:24Z) - Effective Strategies for Asynchronous Software Engineering Agents [52.76455094324273]
本稿では,集中型タスクデリゲート,非同期実行,独立したワークスペースという,3つのSWEプリミティブに根ざした構造化マルチエージェント協調パラダイムを導入する。
CAIDは,紙再生タスク(PaperBench)では26.7%,Pythonライブラリ開発タスクでは14.3%,単一エージェントベースラインでは26.7%の精度向上を実現している。
論文 参考訳（メタデータ） (2026-03-23T02:26:35Z) - AutoAgent: Evolving Cognition and Elastic Memory Orchestration for Adaptive Agents [26.380991138110925]
AutoAgentは、認知の進化、オンザフライでのコンテキスト決定、弾力性のあるメモリオーケストレーションに基づく、自己進化型のマルチエージェントフレームワークである。
各エージェントは、ツール、自己能力、同僚の専門知識、タスク知識に関する構造化されたプロンプトレベルの認知を維持する。
AutoAgentは、静的およびメモリ拡張ベースラインに対するタスク成功、ツール使用効率、共同ロバスト性を一貫して改善する。
論文 参考訳（メタデータ） (2026-03-10T14:23:49Z) - From Dialogue to Execution: Mixture-of-Agents Assisted Interactive Planning for Behavior Tree-Based Long-Horizon Robot Execution [10.513251543236684]
大型言語モデル(LLM)により、ロボットは自然言語命令からハイレベルなアクションプランを生成することができる。
長期的タスクでは、このようなアプローチには多くの疑問が伴い、ユーザの負担が増大する。
そこで我々は,Mixture-of-Agents(MoA)ベースのプロキシ応答を対話型プランニングに統合するフレームワークを提案する。
論文 参考訳（メタデータ） (2026-03-01T13:54:51Z) - From Virtual Agents to Robot Teams: A Multi-Robot Framework Evaluation in High-Stakes Healthcare Context [2.016235597066821]
現在のフレームワークは、エージェントを物理的に具体化されたエンティティではなく、概念的なタスク実行子として扱う。
本稿では,プロセスの透明性,前向きな障害回復,コンテキストグラウンド化を重視した3つの設計ガイドラインを提案する。
我々の研究は、よりレジリエントで堅牢なマルチエージェントロボットシステムの開発を知らせる。
論文 参考訳（メタデータ） (2025-06-04T04:05:38Z) - COHERENT: Collaboration of Heterogeneous Multi-Robot System with Large Language Models [49.24666980374751]
COHERENTは、異種マルチロボットシステムの協調のための新しいLCMベースのタスク計画フレームワークである。
提案-実行-フィードバック-調整機構は,個々のロボットに対して動作を分解・割り当てするように設計されている。
実験の結果,我々の研究は,成功率と実行効率の面で,従来の手法をはるかに上回っていることが明らかとなった。
論文 参考訳（メタデータ） (2024-09-23T15:53:41Z)
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。