論文の概要: Pretraining Knows What, Simulation Teaches How: Compositional Generalization for Agentic Robotics

• arxiv url: http://arxiv.org/abs/2610.35817v3
• Date: Tue, 03 Nov 2026 18:36:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-04 23:36:30.360577
• Title: Pretraining Knows What, Simulation Teaches How: Compositional Generalization for Agentic Robotics
• Title（参考訳）: エージェントロボティクスのための構成的一般化
• Abstract要約: 本稿では、ゼロリアルエージェントポリシー(ZAP)を紹介し、この欠落した動作スキルを教えるレシピを、単純な原始的タスクのシミュレーションで完全に導入する。 ZAPは現実世界のタスクで96.7%成功し、GPT-6 Astraをハーネスでマッチングします。 ZAPはまた、新しい物体、目標、戦略に一般化し、トレーニングを受けなかったロボットの体格をシミュレーションする。
• 参考スコア（独自算出の注目度）: 16.22140960171382
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Frontier models such as GPT-6 Astra now directly control robots and can generalize better than vision-language-action models (VLAs). We argue that this ability could arise from two distinct, composable skills: semantic reasoning, to understand what a task asks for in a scene, and motion control, to move the robot to do it. We show that small open VLMs are already capable of the first and mainly lack the second. We introduce Zero-real Agent Policy (ZAP), a recipe that teaches this missing motion skill, entirely in simulation on simple primitive tasks and from the model's own successes, with no frontier teacher or distillation and no real-world robot data. ZAP reaches 96.7% success on real-world tasks, matching GPT-6 Astra in our harness while running 3x faster and 17x cheaper, and 74.0% on a bimanual adaptation of RoboLab-120, on par with GPT-6 Astra's 72.2%. ZAP also generalizes to new objects, goals, and strategies, and in simulation to a robot embodiment on which it never trained.
• Abstract（参考訳）: GPT-6 Astraのようなフロンティアモデルはロボットを直接制御し、視覚言語アクションモデル(VLA)よりも一般化できる。 この能力は、セマンティック推論(semantic reasoning)、タスクがシーンで何を要求するかを理解すること、ロボットを動かすこと、という2つの異なる構成可能なスキルから生じる可能性がある、と我々は主張する。 小さいオープンなVLMはすでに第1の能力を備えており、主に第2の能力を欠いていることを示す。 我々は、ゼロリアルエージェントポリシー(ZAP)を紹介し、この欠落した動作スキルを教えるレシピを紹介し、単純な原始的なタスクとモデル自身の成功をシミュレーションし、フロンティアの教師や蒸留は行わず、現実世界のロボットデータも含まない。 ZAPは実世界のタスクで96.7%成功し、GPT-6 Astraの72.2%と同等の3倍高速で17倍安、RoboLab-120で74.0%となった。 ZAPはまた、新しい物体、目標、戦略に一般化し、トレーニングを受けなかったロボットの体格をシミュレーションする。

関連論文リスト

• Reinforcement Learning from Real-Robot Interaction without High-Quality State Estimates [5.861140128685936]
  ロボット強化学習(RL)の長年の目標は、ロボットが自身の物理的経験から学ぶことである。 本課題は,2足歩行ロボットがサッカーのゴールを達成するための課題である。 RSSM-RLPDを導入し、NAOロボットがサッカーボールをゴールにドリブルするタスクに適用する。
  論文  参考訳（メタデータ） (2026-10-02T21:59:06Z)
• Robo-Harness K1: Harnessing Robot-Use Agents via Perception Augmentation [61.15247763568461]
  本稿では,ロボット利用エージェントフレームワークであるRobo-Harness K1を紹介する。 一致した LIBERO-PRO タスクでは、Gemini 3.7 Flash with K1 が 77.8% に達し、GPT-6 Astra の 61.1% を RGB のみのハーネスで上回った。 RoboTwin では Easy で 32.0%、Hard で 28.0% を達成し、視覚的および環境的な摂動に対するレジリエンスを示している。
  論文  参考訳（メタデータ） (2026-09-24T11:16:18Z)
• MonoDuo: Using One Robot Arm to Learn Bimanual Policies [40.1404286878975]
  単腕ロボットのデモと人間のコラボレーションを組み合わせ,双方向操作ポリシーを学習するフレームワークであるMonoDuoについて述べる。 MonoDuoは、片腕ロボットを遠隔操作して、両腕のタスクの片面を実行する。 ボックスリフト,バックパックパッキング,布の折り畳み,ジャケットのジッピング,ハンドオーバープレートの5つのタスクについてMonoDuoを評価した。
  論文  参考訳（メタデータ） (2026-05-28T03:27:38Z)
• Human-to-Robot Interaction: Learning from Video Demonstration for Robot Imitation [5.967530183571141]
  人間とロボットの模倣学習パイプラインは、ロボットが非構造化ビデオデモから直接操作スキルを取得することを可能にする。 鍵となる革新は、学習プロセスを2つの異なる段階に分離するモジュラーフレームワークである。 ロボット操作では,全ての動作の平均成功率は87.5%であり,タスク達成で100%,複雑なピック・アンド・プレイス操作で90%に達する。
  論文  参考訳（メタデータ） (2026-02-22T13:26:27Z)
• RoboReward: General-Purpose Vision-Language Reward Models for Robotics [124.34685604054312]
  視覚言語モデル(VLM)は、自動報酬モデルとして期待されているが、実際のロボットタスクにおけるそれらの効果は理解されていない。 大規模な実ロボットコーパス上に構築されたロボティクス報酬データセットとベンチマークであるRoboRewardを導入することで、このギャップを埋めることを目指している。
  論文  参考訳（メタデータ） (2026-01-02T12:47:34Z)
• Dexterity from Smart Lenses: Multi-Fingered Robot Manipulation with In-the-Wild Human Demonstrations [52.29884993824894]
  自然環境で日々のタスクを行う人間から、マルチフィンガーロボットポリシーを学ぶことは、ロボットコミュニティにとって長年の大きな目標だった。 AINAは、Aria Gen 2メガネを使用して、どこでも、どこでも、あらゆる環境で収集されたデータから、マルチフィンガーポリシーを学ぶことができる。
  論文  参考訳（メタデータ） (2025-11-20T18:59:02Z)
• $π_0$: A Vision-Language-Action Flow Model for General Robot Control [77.32743739202543]
  本稿では,インターネット規模のセマンティック知識を継承するために,事前学習された視覚言語モデル(VLM)上に構築された新しいフローマッチングアーキテクチャを提案する。 我々は,事前訓練後のタスクをゼロショットで実行し,人からの言語指導に追従し,微調整で新たなスキルを習得する能力の観点から,我々のモデルを評価した。
  論文  参考訳（メタデータ） (2024-10-31T17:22:30Z)
• Spatial-Language Attention Policies for Efficient Robot Learning [32.215861214516735]
  本稿では,空間言語アテンションポリシー(SLAP)を解法として提案する。 SLAPは入力表現として3次元トークンを使用し、単一のマルチタスク、言語条件のアクション予測ポリシーをトレーニングする。 一つのモデルで8つのタスクにまたがる実世界の80%の成功率を示し、未確認な乱雑なオブジェクト構成を導入した場合、47.5%の成功率を示す。
  論文  参考訳（メタデータ） (2023-04-21T20:02:49Z)
• Accelerating Robot Learning of Contact-Rich Manipulations: A Curriculum Learning Study [4.045850174820418]
  本稿では,Domain Randomization(DR)と組み合わせたカリキュラム学習に基づく,コンタクトリッチな操作タスクのロボット学習の高速化に関する研究を行う。 挿入タスクのような位置制御ロボットによる複雑な産業組み立てタスクに対処する。 また,おもちゃのタスクを用いたシミュレーションでのみトレーニングを行う場合においても,現実のロボットに伝達可能なポリシーを学習できることが示唆された。
  論文  参考訳（メタデータ） (2022-04-27T11:08:39Z)

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。