論文の概要: LLM4Robot-Bench: How Far Can GPT-6 Astra Go in Robotic Manipulation? A Hierarchical, Matched Sim-Real Benchmark

• arxiv url: http://arxiv.org/abs/2610.34527v2
• Date: Sun, 01 Nov 2026 08:36:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-04 02:41:44.706775
• Title: LLM4Robot-Bench: How Far Can GPT-6 Astra Go in Robotic Manipulation? A Hierarchical, Matched Sim-Real Benchmark
• Title（参考訳）: LLM4Robot-Bench: ロボットマニピュレーションにおいてGPT-6はどこまで進むのか? 階層的でマッチングされたシモリアルベンチマーク
• Abstract要約: LLM4Robot-Benchは、コンタクトリッチな操作における物理的相互作用能力を評価するための、マッチングされたSim-Realベンチマークである。 各タスクは、物理的および視覚的に一致したシミュレートされた実世界の環境でインスタンス化される。 16のタスクのうち10のタスクは同じ成功率で、残りの6つのタスクは3つのトライアルのうち1つの成功によって異なる。
• 参考スコア（独自算出の注目度）: 62.531369168779776
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce LLM4Robot-Bench, a hierarchical, matched Sim-Real benchmark for evaluating physical interaction capabilities in contact-rich manipulation. Its 16 household tasks span three cumulative levels: contact selection and geometric alignment (L1), force regulation within sustained contact (L2), and coordinated contact reconfiguration and force regulation (L3). Each task is instantiated in physically and visually matched simulated and real-world environments, with shared task definitions and success criteria. We evaluate GPT-6 Astra zero-shot with three trials per task in each environment. Real-world success rates decline from 80.0% at L1 to 47.6% at L2 and 0.0% at L3, with corresponding simulation rates of 66.7%, 47.6%, and 0.0%. Ten of the 16 tasks have identical success counts across environments; the remaining six differ by one success out of three trials. Across both environments, recurring difficulties in spatial reasoning, contact selection, force regulation, and coordination often prevent local physical progress from accumulating into task completion. These findings characterize Astra's observed capability boundary across increasing interaction demands and, for this model, support matched simulation as a repeatable, scalable testbed for studying the sustained, coordinated physical interactions that limit reliable manipulation.
• Abstract（参考訳）: コンタクトリッチな操作における物理的相互作用能力を評価するための階層型マッチング型Sim-RealベンチマークであるLLM4Robot-Benchを紹介する。 16の家庭用タスクは、接触選択と幾何アライメント(L1)、持続接触(L2)内の力規制、接触再構成と力規制(L3)の3つの累積レベルにまたがる。 各タスクは、物理的および視覚的に一致したシミュレーションされた実世界の環境でインスタンス化され、タスク定義と成功基準が共有される。 GPT-6 Astra 0-shot with three trial per task in each environment。 L1では80.0%、L2では47.6%、L3では0.0%、シミュレーションレートは66.7%、47.6%、0.0%となっている。 16のタスクのうち10のタスクは同じ成功率で、残りの6つのタスクは3つのトライアルのうち1つの成功によって異なる。 両方の環境をまたいで、空間的推論、接触選択、力の規制、調整の繰り返し困難は、しばしば局所的な物理的進歩がタスク完了に蓄積することを妨げる。 これらの結果は、Astraの観測能力境界が相互作用要求の増加にまたがっていることを特徴付け、このモデルでは、信頼性のある操作を制限する持続的、協調された物理的相互作用を研究するための、反復可能でスケーラブルなテストベッドとして、マッチングされたシミュレーションをサポートする。

関連論文リスト

• Asking the World: Generalist Physical Reasoning through Agentic World Modeling and Probing [7.053168162180877]
  本稿では,2つの適応段階を通してタスク関連実行可能世界を構築し,問うジェネリストエージェントであるAsking the Worldを紹介する。 World Modelingはビデオから世界を分類し、World Probingはクエリーをシミュレートし、それに介入し、疑問に関連する証拠を得る。 我々は, 剛体, 軟体, 布, ロープ, 流体, そしてそれらの相互作用による世界の構築と探索を行う, 軽量でプログラム可能なマルチフィジカルシミュレータであるPolyWorld Engineを開発した。
  論文  参考訳（メタデータ） (2026-09-30T07:04:21Z)
• Systematically Exploring the Capabilities of GPT-6 Astra as Embodied Policies [37.54166492459369]
  GPT-6 アストラは数値的なロボット動作を生成する素晴らしい能力を示す。 グリップパ操作では、Astraはタスクターゲットを修正でき、その後のポリシー実行のための接触条件を準備できる。 巧妙な操作では、ハイブリッドコントロールは10回の経験誘導型DexJoCo試験で50%の成功を達成している。 ナビゲーションでは、Astraがローカル比較をリードし、RxR命令で92%、HM3Dオブジェクトサーチで82%成功しました。
  論文  参考訳（メタデータ） (2026-09-29T20:54:47Z)
• WorldSimProbe: Diagnosing Simulator Faithfulness in Action-Conditioned World Models for Embodied Manipulation [85.15806404962193]
  行動条件付き世界モデル(ACWM)は、計画、ポリシー評価、データ生成のためのスケーラブルな予測シミュレータを具現化したAIを提供することを約束する。 物理シミュレータが期待する観測能力を用いてACWMを評価する。 WorldSimProbeは、制御のバリエーション、相互作用のグラウンディングにおける構造化された障害、ダイナミックスにまたがる、システマティックなアクション実現の劣化を明らかにする。
  論文  参考訳（メタデータ） (2026-08-10T08:48:06Z)
• Reinforcement Learning for the Full Strawberry Harvesting Process: Obstacle Separation, Detachment, and Placement [1.9668167574614699]
  位相調整による政策駆動型強化学習フレームワークを開発した。 共有インタラクション対応ポリシは、すべてのタスクフェーズにわたるカルテシアン動作を生成する。 その結果、相互作用認識による収穫行動が、構造的に異なるロボットプラットフォームに効果的に伝達されることを示した。
  論文  参考訳（メタデータ） (2026-07-16T08:16:30Z)
• SpatialWorld: Benchmarking Interactive Spatial Reasoning of Multimodal Agents in Real-World Tasks [73.92333717662558]
  SpaceWorldは、複雑な現実世界のタスクにおけるマルチモーダルエージェントのインタラクティブな空間的理解を評価するためのベンチマークである。 多様なドメイン(例えば、家庭のルーチン、旅行、社会協力など)にまたがる760の人称タスクが特徴である。 信頼性評価のために、各タスクは、人間検証された初期状態、参照軌跡、端末状態検証器を含む。
  論文  参考訳（メタデータ） (2026-06-08T15:51:51Z)
• SECOND-Grasp: Semantic Contact-guided Dexterous Grasping [60.1519218638742]
  Second-Grasp (Semantic Contact-guided Dexterous Grasping) は、ロボットハンドが意味論的推論に基づいて把握戦略を調整できる統合されたフレームワークである。 我々のアプローチは、目に見えるカテゴリーと目に見えないカテゴリの両方で成功率を上げるために、一貫してベースラインを上回ります。
  論文  参考訳（メタデータ） (2026-05-13T07:37:00Z)
• DexSim2Real: Foundation Model-Guided Sim-to-Real Transfer for Generalizable Dexterous Manipulation [2.7246995570820354]
  DexSim2Realは、デクサラス操作のためのsim-to-realギャップをブリッジする統合フレームワークである。 本システムでは,視覚リアリズム批判として視覚言語モデルを用いて,クローズドループCMA-ESによるシミュレーションパラメータの最適化を行うFM-DR,ゼロショットsim-to-real RLへのクロスアテンションビズオ触覚融合を適応するTVCAP,LLMに基づくタスク分解に基づくプログレッシブスキルカリキュラム(PSC)の3つのコンポーネントを組み合わせる。
  論文  参考訳（メタデータ） (2026-05-03T17:29:29Z)
• A Novel Hybrid PID-LQR Controller for Sit-To-Stand Assistance Using a CAD-Integrated Simscape Multibody Lower Limb Exoskeleton [1.441595027675735]
  座-立位遷移における下肢外骨格の精密制御は、ロボット工学における中心的な課題である。 本稿では,3つの制御戦略の体系的,シミュレーション,比較評価について述べる。
  論文  参考訳（メタデータ） (2026-04-04T15:37:11Z)
• Tactile Grasp Refinement using Deep Reinforcement Learning and Analytic Grasp Stability Metrics [70.65363356763598]
  解析的把握安定性指標が強化学習アルゴリズムの強力な最適化目標であることを示す。 幾何的および力量に依存しないグリップ安定性の指標を組み合わせることで、カブイドの平均成功率は95.4%となることを示す。 第2の実験では,触覚情報を持たないベースラインよりも,接触フィードバックで訓練したグリップリファインメントアルゴリズムが最大6.6%向上することを示した。
  論文  参考訳（メタデータ） (2021-09-23T09:20:19Z)

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。