論文の概要: FastHarness: Experience-Driven Review Scheduling for Vision-Language-Action Policies
- arxiv url: http://arxiv.org/abs/2610.31427v1
- Date: Thu, 22 Oct 2026 15:27:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-24 02:08:44.424385
- Title: FastHarness: Experience-Driven Review Scheduling for Vision-Language-Action Policies
- Title（参考訳）: FastHarness: ビジョンランゲージアクションポリシーのエクスペリエンス駆動レビュースケジューリング
- Abstract要約: FastHarnessは、0.5ポリシーのGPT-6 Astra監督を適応的にスケジュールするエクスペリエンス駆動実行ハーネスである。
ファストパスはステージメモリとレビュー結果を使用して、経験が蓄積されるにつれてレビュー頻度を減らし、補完的なリカバリパスはエラーの修正を監督する。
- 参考スコア（独自算出の注目度）: 9.008111421503981
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Agentic robot systems combine language-model reasoning with robot policies to monitor execution and recover from failures. However, reviewing every action chunk incurs substantial overhead, even in familiar situations. We introduce FastHarness, an experience-driven execution harness that adaptively schedules GPT-6 Astra supervision of a π0.5 policy. A fast path uses stage memory and reviewed outcomes to reduce review frequency as experience accumulates, while a complementary recovery path focuses supervision on correcting errors. Once recovery is verified, routine execution resumes, with failure experience retained to guide future interventions. The policy remains frozen and generates fresh actions from current observations. Across four simulated manipulation tasks, reviewer token use decreases by an average of 57.2% per task from the first evaluated episode to the mean of the final five episodes. Mean episode time decreases from 85.5 to 52.0 minutes over the same interval. On the same tasks, mean success increases from 80% for GPT-as-Policy (π0.5 + GPT-6 Astra) to 97.19% with FastHarness. These results highlight adaptive supervision as a practical route to more efficient agentic robotics without additional model training.
- Abstract（参考訳）: エージェントロボットシステムは、言語モデル推論とロボットポリシーを組み合わせて、実行を監視し、失敗から回復する。
しかし、すべてのアクションチャンクをレビューすると、よく知られた状況でもかなりのオーバーヘッドが発生します。
我々は,GPT-6アストラによるπ0.5ポリシーの監督を適応的にスケジュールする,体験駆動型実行ハーネスであるFastHarnessを紹介する。
ファストパスはステージメモリとレビュー結果を使用して、経験が蓄積されるにつれてレビュー頻度を減らし、補完的なリカバリパスはエラーの修正を監督する。
回復が検証されると、定期的な実行が再開され、将来の介入をガイドするために障害エクスペリエンスが維持される。
政策は凍結し続け、現在の観測から新たな行動を生み出している。
4つのシミュレートされた操作タスクの中で、レビュアートークンの使用量は、最初の評価エピソードから最後の5エピソードの平均まで、平均57.2%減少する。
平均エピソード時間は、同じ間隔で85.5分から52.0分に短縮される。
同じタスクでは、GPT-as-Policy(π0.5 + GPT-6 Astra)の平均成功率は80%から、FastHarnessで97.19%に増加する。
これらの結果は,モデルトレーニングを必要とせずに,より効率的なエージェントロボティクスへの実践的なルートとして,適応的監視を強調した。
関連論文リスト
- RESETTLE: Robotic Recovery through Disagreement-Triggered Retrieval and Efficient Corrective Control [92.47481295713227]
本稿では,凍結ロボットポリシーのアクション・エグゼクティブ・インタフェースにおいて,効率的なリカバリのためのモデルに依存しないフレームワークであるRESETTLEを紹介する。
適応されたV-JEPAエンコーダを使用して、同じタスクのデモ参照を取得する。
LIBERO-Plus、Meta-World、RoboCasaでは最大8.70%、6.28%、絶対的な成功率6.83%に達する。
論文 参考訳（メタデータ） (2026-10-08T15:49:03Z) - LIBERO-MAX: Do Robot Policies Adapt When the World Changes? [61.52324972910026]
多くのシミュレーションロバストネスベンチマークは、リセット時に外部条件を修正し、この時間的課題を過小評価する。
LIBERO-MAXは、幾何学、観察、外観、乱雑、経路の8種類の変化にまたがる8000のペアケースのベンチマークである。
各ペアはタスク実行と、タスク、初期状態、ポリシーシード、修正前のアクションシーケンスを保持する中タスクイベントとを比較します。
論文 参考訳（メタデータ） (2026-09-29T02:12:26Z) - Shockingly Simple Self-retrospection Improves Agentic Models Without RL [56.88703385147974]
本研究は,説明のみの訓練がその後の行動に与える影響を分離するために,レトロスペクティブ・オンリー・ファインチューニングについて検討する。
Qwen3.5-4B を用いたソフトウェア工学実験では、ROFT は成功と失敗の混合したベースモデルの試行に関する問題で訓練されている。
また、64のサンプルベースモデル試みが失敗する個々のタスクの解決も学べる。
論文 参考訳（メタデータ） (2026-09-28T17:54:24Z) - An Unexpected Robot Policy: Early Evaluations of GPT-6 Astra on RoboDojo and Beyond [30.63361320122993]
本研究では,大規模言語モデル(LLM)がタスク固有の微調整を伴わずにロボット操作のポリシーとして機能するかどうかを問う。
42のRoboDojoタスクで3つのLLMを評価し、そのスコアと40の公開ポリシーを比較した。
論文 参考訳（メタデータ） (2026-09-21T06:39:47Z) - CARE: Experience-Guided Atomic Corrective Execution for Vision-Language-Action Policies [52.32735203969873]
VLA(Vision-Language-Action)ポリシーは、ロボット操作において強力なパフォーマンスを達成するが、実行が名目上の軌道から逸脱した後も不安定なままである。
本稿では,実行時に発生する障害から学習することで回復を改善するフレームワークであるCARE(Corrective Atomic Robotic Execution)を提案する。
論文 参考訳（メタデータ） (2026-09-21T05:14:34Z) - Shared Execution-Clock Drifting Policy for Dynamic Precision Manipulation [2.44955840609554]
実行リズムは、ロボットが期限前に一連の調整を完了しなければならない場合に重要である。
本稿では、実行リズムを1ステップのアクション生成の明示的な部分とする共有実行クロックドリフト(SECD)を提案する。
NVIDIA Thor を用いた 4 つの実ロボットタスクを対象としたSECD の評価を行った。
論文 参考訳（メタデータ） (2026-09-20T02:42:31Z) - Stable and Efficient Real-World Online VLA Post-Training via Asynchronous Replay-Anchored Policy Improvement [60.83624556700821]
本稿では,リプレイ動作における批評家とアクターの更新の両方を基盤として,ロールアウトと学習を同時に行うフレームワークを提案する。
RAPolicyを4つのシングルタスク設定と1つのジョイント5タスク設定で実世界で評価し,オンライントレーニングの予算は1～2時間に過ぎなかった。
論文 参考訳（メタデータ） (2026-09-19T08:45:18Z) - LM-X: Explainable Action Modeling with Progress, Event, and Uncertainty Prediction for Generalist Robot Manipulation [28.431160101245837]
一般視覚-言語行動(VLA)政策は、主に短期水平行動予測を通じて長期水平行動を学ぶ。
我々は,解剖学的対応を主張することなく,タスク,イベント,運動の規模にわたって予測を整理するLM-Xを紹介する。
論文 参考訳（メタデータ） (2026-08-26T13:05:29Z) - FAR: Failure-Aware Retry for Test-Time Recovery and Continual Policy Improvement [10.94594187411586]
フェール・アウェア・リトライ(FAR)は、ロボットがテスト時に以前の失敗から学び、その振る舞いを順応し、最終的にタスクを自律的に完了させることを可能にするフレームワークである。
FARは成功率とロバスト性を大幅に改善し、シミュレーションにおける標準拡散政策よりも平均17.6%、現実世界では11.7%向上した。
論文 参考訳（メタデータ） (2026-07-01T16:01:54Z) - A Rubric-Supervised Critic from Sparse Real-World Outcomes [87.11204512676193]
現実のコーディングエージェントは、成功信号がノイズが多く、遅延し、スパースであるループで人間と動作します。
本稿では,RLに基づくトレーニングや推論時間スケーリングの報奨モデルとして,スパースとノイズの相互作用データから"批判的"モデルを学習するプロセスを提案する。
論文 参考訳（メタデータ） (2026-03-04T07:23:54Z)
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。