論文の概要: RobotAgentBench: Towards Open-world Robot Autonomy
- arxiv url: http://arxiv.org/abs/2610.34649v1
- Date: Mon, 26 Oct 2026 00:26:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-27 22:27:13.654656
- Title: RobotAgentBench: Towards Open-world Robot Autonomy
- Title（参考訳）: RobotAgentBench: オープンワールドのロボット自律化を目指す
- Abstract要約: 本稿では,リアルでオープンな家庭環境下でロボットエージェントを評価するためのベンチマークであるRobotAgentBench(RAB)を紹介する。
RABは、90のアトミックタスク、18のショートホライゾンタスク、8のロングホライゾンタスク、4つのオープンエンドシナリオを含む、対話的なオブジェクトと物理的に接地されたタスクを備えた50の多様な家庭用レイアウトを構築している。
- 参考スコア（独自算出の注目度）: 40.754171482216606
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recent advances in vision-language-action (VLA) and world-action models (WAMs) have significantly improved robotic manipulation, yet deploying robots in the open world demands a higher level of autonomy beyond executing predefined tasks. Robot agents offer a promising paradigm for this transition, integrating task discovery, contextual reasoning, physical execution, and adaptive recovery into a closed interaction loop. However, existing benchmarks largely evaluate isolated capabilities, failing to capture the complexity of open-world robot autonomy. We introduce RobotAgentBench (RAB), a comprehensive benchmark for evaluating robot agents in realistic, open-world household environments. Through an agent-assisted, human-in-the-loop real-to-sim pipeline, RAB constructs 50 diverse household layouts with interactive objects and physically grounded tasks, encompassing 90 atomic tasks, 18 short-horizon tasks, 8 long-horizon tasks, and 4 open-ended scenarios. RAB provides a multi-level evaluation of robot agent capabilities: (1) task-level assessments systematically examine five complementary dimensions: task discovery, context reasoning, manipulation, failure recovery, and robustness; (2) scenario-level evaluation assesses how agents integrate these capabilities to autonomously fulfill high-level user needs. Furthermore, RAB enables systematic comparisons of standalone VLA/WAM models and diverse robot agent architectures under a unified planning-execution-verification framework. Extensive experiments reveal substantial gaps between manipulation and autonomy, demonstrate the advantages of agentic architectures and recursive self-improvement, and highlight the remaining challenges toward open-world robot autonomy.
- Abstract（参考訳）: 視覚言語行動(VLA)や世界行動モデル(WAM)の最近の進歩はロボット操作を大幅に改善しているが、オープンな世界にロボットを配置するには、事前に定義されたタスクを実行すること以上の高度な自律性が必要である。
ロボットエージェントはこの移行に有望なパラダイムを提供し、タスク発見、コンテキスト推論、物理的実行、適応的なリカバリをクローズドなインタラクションループに統合する。
しかし、既存のベンチマークは主に独立した能力を評価しており、オープンワールドのロボット自律性の複雑さを捉えていない。
我々は,リアルでオープンな家庭環境下でロボットエージェントを評価するための総合的なベンチマークであるRobotAgentBench(RAB)を紹介する。
RABはエージェント支援のリアル・イン・ザ・ループ・リアル・トゥ・シム・パイプラインを通じて、90の原子的タスク、18の短地的タスク、8の長地的タスク、4つのオープンなシナリオを含む、対話的なオブジェクトと物理的に接地されたタスクを備えた50の家庭用レイアウトを構築している。
1)タスクレベルの評価は,タスク発見,コンテキスト推論,操作,障害回復,堅牢性の5つの相補的な次元を体系的に検討する;(2)シナリオレベルの評価は,エージェントがこれらの能力をどのように統合して高レベルのユーザニーズを自律的に満たすかを評価する。
さらに、RABは、単独のVLA/WAMモデルと多様なロボットエージェントアーキテクチャの体系的な比較を可能にする。
大規模な実験は、操作と自律性の間にかなりのギャップを示し、エージェントアーキテクチャと再帰的な自己改善の利点を示し、オープンワールドの自律性に対する残りの課題を強調している。
関連論文リスト
- Scaling Online Exploration for Robot Agents [147.6570058866968]
RAX(Robot Agent eXploration)は、ロボットエージェントのためのオープンソースのフレームワークである。
本稿では,単腕,両腕,外陰部,移動体,ヒューマノイドシステムを用いて,オンライン探索の精度向上と長期操作作業のスケールについて検討する。
RAXは、人間のデモンストレーションなしで、メモリ依存、調音、高精度、変形可能、および長距離移動操作タスクを自律的に学習する。
論文 参考訳（メタデータ） (2026-10-15T18:00:28Z) - Distributed AI Agents for Cognitive Underwater Robot Autonomy [5.644612398323221]
本稿では,水中ロボットによる自己組織自律(UROSA)について述べる。
UROSAは、ロボットオペレーティングシステム2(ROS2)フレームワークに統合された分散大言語モデルAIエージェントを活用する画期的なアーキテクチャである。
中心的なイノベーションには、動的に役割を適応するフレキシブルエージェント、検索拡張生成、自動オンザフライROS 2ノード生成などがある。
論文 参考訳（メタデータ） (2025-07-31T17:18:55Z) - RoBridge: A Hierarchical Architecture Bridging Cognition and Execution for General Robotic Manipulation [90.81956345363355]
RoBridgeは、一般的なロボット操作のための階層的なインテリジェントアーキテクチャである。
大規模事前学習型視覚言語モデル(VLM)に基づくハイレベル認知プランナー(HCP)で構成されている。
強化学習の手続き的スキルを解き放ち、認知と実行のギャップを効果的に埋める。
論文 参考訳（メタデータ） (2025-05-03T06:17:18Z) - 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。