論文の概要: Multimodal Embodied Agents: A Unified Capability-centric Perspective from Computer-Use to Robot-Use

• arxiv url: http://arxiv.org/abs/2610.30108v1
• Date: Wed, 21 Oct 2026 17:52:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 00:40:06.465971
• Title: Multimodal Embodied Agents: A Unified Capability-centric Perspective from Computer-Use to Robot-Use
• Title（参考訳）: マルチモーダル・エボディード・エージェント:コンピュータ・ユースからロボット・ユースへの統一能力中心の視点
• Abstract要約: 我々は,マルチモーダルなタスク推論と物理行動を組み合わせた目標指向システムとして,MMEA(Multimodal embodied Agent)を定義した。 マルチモーダルエージェントがコンピュータ利用からロボット利用に移行すると、どう変わるのか? PAPAVは、5つの繰り返し機能からなる統合機能中心のフレームワークである。現在の状態を理解し、アクション効果を予測し、実行可能なコースを計画し、インターフェースまたはボディを介して実行し、その結果を検証する。
• 参考スコア（独自算出の注目度）: 58.76291579990208
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multimodal agents (MMAs) sustain interaction through reasoning, memory, tools, and feedback, most visibly as computer-use agents, while robotic systems (RSs) couple sensing and actuation under physical dynamics. We define multimodal embodied agents (MMEAs) as goal-directed systems that couple multimodal task reasoning with physical action and revise decisions from the resulting feedback. This raises a central question: what changes when a multimodal agent moves from computer-use to robot-use? We introduce PAPAV, a unified capability-centric framework of five recurring functions: Perceive the current state, Anticipate action effects, Plan a feasible course, Act through an interface or body, and Verify the outcome. Defined by function rather than architecture, these capabilities let PAPAV identify what all three share and then compare MMEAs with MMAs and with RSs. Five physical constraints, from partial observability to unverifiable outcomes, leave fewer choices fixed in advance and less room to reverse errors. Across 64 benchmarks, explicit evaluation centers on Act; only 5 assess Anticipate and 3 assess Verify, leaving both largely hidden behind task success. These constraints also frame the open challenges we identify. PAPAV therefore provides a common basis for designing reliable physical agents and measuring progress across all five capabilities rather than task success alone.
• Abstract（参考訳）: マルチモーダルエージェント(MMA)は推論、記憶、ツール、フィードバックを通じて相互作用を持続し、最も目に見えるのはコンピュータ使用エージェントであり、一方ロボットシステム(RS)は物理的力学の下でのカップルセンシングとアクティベーションである。 マルチモーダル・エンボディ・エージェント (MMEA) を,多モーダル・タスク推論を物理的行動と組み合わせた目標指向システムとして定義し,その結果のフィードバックから決定を改訂する。 マルチモーダルエージェントがコンピュータ利用からロボット利用に移行すると、どう変わるのか? PAPAVは、5つの繰り返し機能からなる統合機能中心のフレームワークである。現在の状態を理解し、アクション効果を予測し、実行可能なコースを計画し、インターフェースやボディを介して行動し、結果を検証する。 これらの機能はアーキテクチャではなく関数によって定義され、PAPAVは3つの共有を識別し、MMEAとMMAとRSを比較する。 部分的な可観測性から検証不可能な結果までの5つの物理的制約は、事前に固定された選択肢を減らし、誤りを逆転する余地を減らします。 64のベンチマーク、アクトに関する明確な評価センター、予測を5つ、検証を3つしか評価しておらず、どちらもタスクの成功のほとんどを隠蔽している。 これらの制約はまた、私たちが特定するオープンな課題を浮き彫りにする。 したがって、PAPAVは信頼性の高い物理エージェントを設計し、タスクの成功単独ではなく5つの能力の進捗を計測するための共通基盤を提供する。

関連論文リスト

• TARSphere: A Robot-Oriented Full-Stack Framework for Long-Horizon Embodied Agents in Evolving Physical and Social Environments [38.2035672571652]
  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。
  論文  参考訳（メタデータ） (2026-10-21T17:02:52Z)
• Where is Physical RSI capability from? An Observational Scaling Law of LLM-as-policy [16.636872951583907]
  本稿では,PhysRSI-evalを導入し,物理RSIを5軸で定量化する。 本研究では,VLMエージェントの相対的性能を公共的能力から予測することと,初期の物理的フィードバックから後の進捗を予測することの2つの観点から観察的スケーリングについて検討した。
  論文  参考訳（メタデータ） (2026-10-19T17:59:30Z)
• Proactive Physical AI through Continuous Observation and Timely Intervention [67.51229925917208]
  ProAgentは2つのコンポーネントを中心に構築されたエンドツーエンドシステムである。 Jevスタイルのプロアクティブタイミングモデルは、介入が必要かどうかを判断する。 Response Modelは、人に対するレスポンスを生成したり、物理的実行のために利用可能なデバイス機能を呼び出す。
  論文  参考訳（メタデータ） (2026-10-12T15:33:34Z)
• 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)
• 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)
• QuadrupedGPT: Towards a Versatile Quadruped Agent in Open-ended Worlds [51.05639500325598]
  ペットに匹敵するアジリティで多様なコマンドに従うように設計されたQuadrupedGPTを紹介します。 エージェントは多種多様なタスクを処理し,複雑な指示を行う能力を示し,多種多様四重化エージェントの開発に向けた重要な一歩である。
  論文  参考訳（メタデータ） (2024-06-24T12:14:24Z)

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。