論文の概要: ELEVATE: Agentic Controller Acquisition from Task Failure for Quadrupedal Manipulation
- arxiv url: http://arxiv.org/abs/2610.38388v1
- Date: Wed, 28 Oct 2026 07:24:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-03 18:04:26.700363
- Title: ELEVATE: Agentic Controller Acquisition from Task Failure for Quadrupedal Manipulation
- Title（参考訳）: ELEVATE:四足歩行操作におけるタスク障害からのエージェント制御器の獲得
- Abstract要約: 四足歩行マニピュレータは、全身の相互作用を通じてワークスペースを拡張することができる。
ELEVATE(ELEVATE)は,タスクプログラムの洗練中に持続的障害を使用して,行方不明な全身制御能力を識別し,取得するフレームワークである。
- 参考スコア（独自算出の注目度）: 32.81517216879437
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Quadrupedal manipulators can extend their workspace through whole-body interaction, but task-planning agents' capabilities remain limited by their available controllers. We present ELEVATE, a framework that uses persistent failures during task-program refinement to identify and acquire missing whole-body control capabilities. When these failures suggest a missing physical capability, a coding agent formulates and iteratively refines a reinforcement-learning problem, specifying behavior-specific rewards, curricula, and termination conditions. Validated controllers are added to the capability library and composed with existing controllers to retry the task. Starting from a single pretrained loco-manipulation controller, ELEVATE autonomously acquires controllers for wall-supported elevation, supported manipulation, and wall descent across a sequence of seven simulation tasks. These controllers are reused in subsequent reaching and object-manipulation tasks. On the five tasks beyond the initial controller's workspace, ELEVATE achieves mean success rates of 98.4%-100% across five independent runs, while coding-agent baselines with a fixed controller library fail to complete these tasks. The synthesized task programs, together with the acquired controllers, also transfer to a physical quadrupedal manipulator without real-robot training or fine-tuning, achieving 18/20 successes in rack retrieval and 16/20 in floor-to-rack placement. Videos and demonstrations are available at https://agentic-quad-elevate.github.io/public/.
- Abstract（参考訳）: 四足歩行マニピュレータは、全身のインタラクションを通じてワークスペースを拡張することができるが、タスク計画エージェントの能力は、利用可能なコントローラによって制限されている。
ELEVATE(ELEVATE)は,タスクプログラムの洗練中に持続的障害を使用して,行方不明な全身制御能力を識別し,取得するフレームワークである。
これらの障害が身体能力の欠如を示唆すると、コーディングエージェントは、行動固有の報酬、カリキュラム、終了条件を規定し、強化学習問題を定式化し、反復的に洗練する。
検証されたコントローラが機能ライブラリに追加され、タスクを再試行するために既存のコントローラで構成される。
1つの事前訓練されたロコ操作コントローラから始めると、ELEVATEは、7つのシミュレーションタスクからなる壁の支持された高さ、操作のサポート、壁の降下のためのコントローラを自律的に取得する。
これらのコントローラは、その後のリーチおよびオブジェクト操作タスクで再利用される。
初期のコントローラのワークスペースを超えた5つのタスクにおいて、ELEVATEは5つの独立した実行で平均98.4%-100%の成功率を達成する。
合成されたタスクプログラムは、取得したコントローラとともに、実際のロボットトレーニングや微調整なしで物理的四重極子マニピュレータに移行し、ラック検索では18/20、フロア・ツー・ラック配置では16/20の成功を収めた。
ビデオとデモはhttps://agentic-quad-elevate.github.io/public/.comで公開されている。
関連論文リスト
- TaskFrame: Connecting Task-Level Planning with Frame-Level Control for Game Agents [66.48934171776204]
一般的なゲームエージェントの構築には、ハイレベルなタスク推論と低レイテンシなアクション制御の両方が必要である。
タスクレベルの計画とフレームレベルのキーボード・アンド・ムース制御を結合する階層的なプランナー・コントローラフレームワークであるTaskFrameを提案する。
Minecraftの実験では、TaskFrameは命令分解の汎用的なビジョン言語モデルと競合している。
論文 参考訳（メタデータ） (2026-10-29T15:31:37Z) - Cross-Controller Transfer via In-Context Behavior Adaptation [72.88252238231269]
汎用的なロボットポリシーは、さまざまなタスクや実施状況から収集されたデータからますます学習される。
本研究では,ロボットの動作解釈が学習に干渉することを許さずに,身体とコントローラーの両方にロボットデータを転送する方法について検討する。
論文 参考訳（メタデータ） (2026-10-29T03:31:22Z) - Fly-by-Code: Embodied Coding Agents for Aerial Manipulation with Active Visual and Physical Feedback [63.75302732504381]
エンボディードコーディングエージェントは、プログラムを生成し、実行フィードバックからそれらを精製することで、ロボットポリシーを構築する。
この改善は、実行フィードバックがタスクが成功したかどうかを明らかにし、失敗した後、プログラムのリビジョンをガイドするのに十分な証拠を提供すると仮定する。
同じフィードバックを再検査しても、収集されていない観察や、利用可能な証拠が区別できない原因を分離することはできません。
アクティブな"View and Probe"フレームワークであるActive Feedback(AF)を紹介します。
論文 参考訳（メタデータ） (2026-10-08T18:00:00Z) - RobotWorld: Benchmarking Multimodal Agents for Robot Use Across Diverse Tasks and Embodiments [91.39996227368]
汎用エージェントはますます、コードを書き、ツールを使い、複雑なデジタルタスクを完遂し、これらの能力が物理的な世界にどこまで浸透するかという疑問を提起している。
ロボットのインタフェースを通じて、指示や観察を物理的タスクの実行に変換するという、ロボット利用のための挑戦的なシミュレーションテストベッドであるRobotWorldを紹介した。
タスク結果と実行トレースを分析して、転送する機能と、信頼性の高い完了を防ぐギャップの両方を識別する。
論文 参考訳（メタデータ） (2026-10-07T16:55:24Z) - CodeActionBench: Evaluating Agentic Code-as-Policy for Embodied Manipulation [55.1660787557339]
CodeActionBenchは、エージェント的なCode-as-Policyを通じてこの機能を評価する25の操作タスクのベンチマークである。
共有ロボットAPIは、RGB観測、校正された幾何学的操作、ロボットのフィードバック、および有界運動を提供し、タスク依存の判断を評価対象に残す。
9つの構成と675の試行で大規模な評価が行われ、成功率は2.7%から73.3%である。
最も強力な構成であるGPT-6 Astra with Codex CLIは、3回の試行で少なくとも25タスクのうち22タスクを解決した。
論文 参考訳（メタデータ） (2026-09-27T17:59:31Z) - Push Your Agent: Measuring and Enforcing Quantitative Goal Persistence in Long-Horizon LLM Agents [7.058932007120959]
ロングホライズン言語エージェントは、要求されたカウントが実際に完了するまで多くの有効なローカルツールコールを行うことができるが、持続しない。
本稿では,このギャップを定量的ゴールパーシステンス(QGP)として検討する。
PushBenchはこれを、リポジトリアーティファクトコレクションと検証済みのワークユニットのベンチマークにする。
論文 参考訳（メタデータ） (2026-05-22T12:44:01Z) - AnyPos: Automated Task-Agnostic Actions for Bimanual Manipulation [24.199522837278128]
本稿では,タスク固有の条件からアクション実行を分離するタスク非依存のアクションパラダイムを提案する。
ATARAはスケーラブルなセルフ教師付きフレームワークで、人間の遠隔操作と比較して30倍以上のコレクションを高速化する。
我々はArm-Decoupled EstimationとDirection-Aware Decoderを備えた逆動的モデルであるAnyPosを提案する。
論文 参考訳（メタデータ） (2025-07-17T03:48:57Z) - Learning to Compose Hierarchical Object-Centric Controllers for Robotic
Manipulation [26.24940293693809]
本稿では、強化学習を用いて、操作タスクのための階層型オブジェクト中心コントローラを構築することを提案する。
シミュレーションと実世界の双方での実験では、提案手法がサンプル効率の向上、ゼロショットの一般化、微調整なしでのシミュレーションと現実の移動にどのように寄与するかが示されている。
論文 参考訳（メタデータ） (2020-11-09T18:38:29Z) - dm_control: Software and Tasks for Continuous Control [24.588523489116326]
dm_controlソフトウェアパッケージは、強化学習エージェントのためのPythonライブラリとタスクスイートの集合体である。
MuJoCoラッパーは、関数とデータ構造に便利なバインディングを提供する。
Control Suiteは、パフォーマンスベンチマークとして機能することを意図した、標準化された構造を持つタスクの固定セットである。
論文 参考訳（メタデータ） (2020-06-22T17:52:00Z)
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。