論文の概要: TARSphere: A Robot-Oriented Full-Stack Framework for Long-Horizon Embodied Agents in Evolving Physical and Social Environments

• arxiv url: http://arxiv.org/abs/2610.30043v1
• Date: Wed, 21 Oct 2026 17:02:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 00:40:06.451814
• Title: TARSphere: A Robot-Oriented Full-Stack Framework for Long-Horizon Embodied Agents in Evolving Physical and Social Environments
• Title（参考訳）: TARSphere: 身体・社会環境の発達にともなう長期体操エージェントのためのロボット指向フルスタックフレームワーク
• Abstract要約: TARSphereは、物理的および社会的に接地されたエンボディエージェントのための、ロボット指向のフルスタックフレームワークである。 TARSphere-Harnessは、凍ったマルチモーダルな大規模言語モデル(MLLM)をマルチレベル実行スキルを通じて動作させる。 5つのペア条件は、知覚的堅牢性、障害適応、タスク更新、人間の調整、ナビゲーション・アンド・レポートおよびフェッチ・アンド・デリバリタスクに対する意図的理解を評価する。
• 参考スコア（独自算出の注目度）: 38.2035672571652
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Robots must act under physical and social constraints while adapting to changes in their environment and human needs. Existing embodied-agent systems often focus on specified goals or abstract execution into symbolic actions, limiting evaluation in an evolving world. We introduce TARSphere, a robot-oriented full-stack framework for physically and socially grounded long-horizon embodied agents. TARSphere-Infra runs robot policies in a physics simulator with embodied NPCs and constrained dialogue. An event-driven finite-state machine (FSM) uses completed actions and delivered information to update task states and evaluate outcomes. TARSphere-Harness, its embodied brain harness, lets a frozen multimodal large language model (MLLM) act through multi-level executable skills, using observations, hierarchical memory, and execution feedback to revise its decisions. On this foundation, agent-in-the-loop curation aligns task semantics, causal dependencies, and scene geometry to construct TARSphere-Bench: 360 episodes across 30 indoor scenes. Five paired conditions assess perceptual robustness, disruption adaptation, task update, human coordination, and intent understanding for navigate-and-report and fetch-and-deliver tasks. Our evaluation of 8 MLLMs shows that general-purpose models can outperform embodied models, while task updates and human interaction remain difficult. Frequent collisions and falls further motivate evaluating execution safety alongside task success, even with a shared action interface and decision budget.
• Abstract（参考訳）: ロボットは、環境や人間のニーズの変化に適応しながら、身体的・社会的制約の下で行動しなければならない。 既存のエンボディエージェントシステムは、しばしば特定の目標や抽象的な実行に焦点を合わせ、進化する世界での評価を制限する。 ロボット指向フルスタック・フレームワークであるTARSphereを紹介した。 TARSphere-Infraは、具体化されたNPCと制約付き対話を備えた物理シミュレータでロボットポリシーを実行する。 イベント駆動有限状態機械(FSM)は、完了した動作を使用してタスク状態を更新し、結果を評価する。 具体化された脳ハーネスであるTARSphere-Harnessは、凍結したマルチモーダルな大規模言語モデル(MLLM)が、観察、階層記憶、実行フィードバックを使用して、その決定を修正できる。 この基盤の上に、エージェント・イン・ザ・ループ・キュレーションはタスクの意味論、因果関係、シーン幾何学を整列させ、30の屋内シーンにわたるTARSphere-Bench: 360 エピソードを構築する。 5つのペア条件は、知覚的堅牢性、障害適応、タスク更新、人間の調整、ナビゲーション・アンド・レポートおよびフェッチ・アンド・デリバリタスクに対する意図的理解を評価する。 8個のMLLMを評価した結果,汎用モデルでは,タスク更新やヒューマンインタラクションが困難である一方,エンボディモデルよりも優れていることがわかった。 頻繁な衝突や失敗は、共有されたアクションインターフェースと決定予算でさえも、タスクの成功と共に実行の安全性を評価するモチベーションをさらに高める。

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)
• VAIC: Vision-Guided Humanoid Agile Object Interaction Control via Decoupled Commands [56.029505206531155]
  Vision Guided Agile Interaction Control (VAIC)は、現在のコントローラとヒューマノイドロボットのギャップを埋める統合フレームワークである。 まず、特権教師政策は、正確な物体運動学と正確な環境状態を用いて多様な相互作用スキルを習得する。 第二に、デプロイ可能な学生ポリシーは、全体追跡を複数の軸にまたがる速度目標に置き換えることで、これらの能力を蒸留する。
  論文  参考訳（メタデータ） (2026-06-08T09:52:55Z)
• Cybo-Waiter: A Physical Agentic Framework for Humanoid Whole-Body Locomotion-Manipulation [14.648223907591849]
  移動と操作は、姿勢、到達可能性、バランスによって密結合しているため、ヒューマノイドにとって長い地平線実行は困難である。 提案するヒューマノイドエージェントフレームワークは,VLM計画を検証可能なタスクプログラムに変換し,マルチオブジェクト3D監視でループをクローズする。 テーブルトップ操作と長軸ヒューマノイドロコ操作による実験は、複数物体の接地、時間的安定性、リカバリ駆動のリプランニングによるロバスト性の向上を示す。
  論文  参考訳（メタデータ） (2026-03-11T11:41:32Z)
• HAIC: Humanoid Agile Object Interaction Control via Dynamics-Aware World Model [56.4392302336014]
  本稿では,外部状態推定を伴わない多種多様なオブジェクトダイナミクス間のロバストな相互作用のためのフレームワークであるHAICを提案する。 我々の重要な貢献は、主観的歴史のみから高次対象状態(速度、加速度)を推定するダイナミクス予測器である。 ヒューマノイドロボットの実験では、HAICはアジャイルタスクで高い成功率を達成する。
  論文  参考訳（メタデータ） (2026-02-12T09:34:35Z)
• EgoActor: Grounding Task Planning into Spatial-aware Egocentric Actions for Humanoid Robots via Visual-Language Models [31.768426199719816]
  EgoActingは,高レベルの指示を様々な,正確に,空間的に認識されたヒューマノイド行動に直結させることが要求される。 さらに,ロコモーションプリミティブを予測可能な,統一的でスケーラブルな視覚言語モデル(VLM)であるEgoActorを導入することで,このタスクをインスタンス化する。 我々は,実世界の実演,空間的推論質問応答,シミュレートされた環境デモンストレーションから,エゴセントリックなRGBのみのデータに対する広範囲の監視を活用している。
  論文  参考訳（メタデータ） (2026-02-04T13:04:56Z)
• Generalizable Geometric Prior and Recurrent Spiking Feature Learning for Humanoid Robot Manipulation [90.90219129619344]
  本稿では,スパイキング機能を備えたR-prior-S, Recurrent Geometric-priormodal Policyを提案する。 物理的現実の高レベル推論を基礎として、軽量な2次元幾何学的帰納バイアスを利用する。 ロボット行動生成におけるデータ効率問題に対して,再帰的適応スパイクネットワークを導入する。
  論文  参考訳（メタデータ） (2026-01-13T23:36:30Z)
• 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)
• REMAC: Self-Reflective and Self-Evolving Multi-Agent Collaboration for Long-Horizon Robot Manipulation [57.628771707989166]
  本稿では,ReMACと呼ばれる適応型マルチエージェント計画フレームワークを提案する。 ReMACには2つの重要なモジュールが組み込まれており、ループ内で事前条件と後条件チェックを実行し、進捗と計画の洗練を評価する。
  論文  参考訳（メタデータ） (2025-03-28T03:51:40Z)

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。