論文の概要: LOGIV: Graph-Verified Execution with Causal Local Repair for Long-Horizon Robot Tasks
- arxiv url: http://arxiv.org/abs/2610.40016v2
- Date: Fri, 30 Oct 2026 15:08:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-02 22:05:31.440307
- Title: LOGIV: Graph-Verified Execution with Causal Local Repair for Long-Horizon Robot Tasks
- Title（参考訳）: LOGIV:長軸ロボット作業における因果局所修復によるグラフ検証実行
- Abstract要約: LOGIVはエージェントロボット実行のためのグラフエンジニアリングフレームワークである。
シンボリックプランニング、観察に基づく検証、そして実施されたアクションを結びつける。
既存のVision-Language-Action (VLA) や World Action Model (WAM) よりも上で動作している。
- 参考スコア（独自算出の注目度）: 21.91385503092992
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Agentic robots must turn a high-level goal into actions while keeping the physical conditions needed for future steps valid. A completed action does not ensure that its effects will persist: a later disturbance can invalidate support that the remaining plan still assumes. We present LOGIV, a graph engineering framework for agentic robot execution that uses an explicit task graph to connect symbolic planning, observation-based verification, and embodied action. LOGIV compiles a validated plan into condition-support and resource-ordering edges, checks their physical validity during execution, and uses dependency tracing to determine what must be restored after a failure. Repair is constrained by retained unfinished actions, and the combined continuation is symbolically validated before execution resumes. The framework operates above existing Vision-Language-Action (VLA) and World Action Model (WAM) policies without adding trainable components. Across 20 dual-arm tasks from RoboTwin V2 and BiCoord with three execution backbones, LOGIV improves mean task success without injected disturbances by 10.67 and 15.33 percentage points, respectively. Under predefined perturbations, it achieves higher task completion and condition restoration than three adapted recovery baselines for every backbone on both benchmarks. On three real-robot tasks, successful trials increase from 12/30 to 17/30. These results support explicit, continuously checked task dependencies as a practical interface for reliable agentic robot execution.
- Abstract（参考訳）: エージェントロボットは、将来のステップに必要な物理的条件を維持しながら、ハイレベルな目標をアクションに変換する必要がある。
完了したアクションは、その効果が持続することを保証するものではない。
エージェントロボット実行のためのグラフエンジニアリングフレームワークであるLOGIVを,明示的なタスクグラフを用いて,象徴的計画,観察に基づく検証,具体的動作を結合する。
LOGIVは検証済みの計画を条件付きおよびリソース順序付きエッジにコンパイルし、実行中の物理的な妥当性を確認し、依存トレースを使用して障害後に復元すべきものを決定する。
修復は未完了の動作によって制限され、組み合わせた継続は実行が再開する前に象徴的に検証される。
このフレームワークは、トレーニング可能なコンポーネントを追加することなく、既存のVision-Language-Action(VLA)とWorld Action Model(WAM)ポリシーの上で動作します。
RoboTwin V2とBiCoordの20のデュアルアームタスクに3つの実行バックボーンがあり、LOGIVはそれぞれ10.67ポイントと15.33ポイントの障害を注入することなく平均タスクの成功を改善する。
事前定義された摂動の下では、両方のベンチマーク上のすべてのバックボーンに対して3つの適応されたリカバリベースラインよりも高いタスク補完と条件回復を達成する。
3つの実際のロボットタスクにおいて、試験は12/30から17/30に増加した。
これらの結果は、信頼性のあるエージェントロボット実行のための実用的なインターフェースとして、明示的で継続的にチェックされたタスク依存をサポートする。
関連論文リスト
- From VLM Planners to Robotic Agents: Self-Evolving Harnesses for History-Dependent Manipulation [90.66992093913662]
長距離タスクはマルコフに依存しない。
低レベルの実行から高レベルの計画を切り離す階層アーキテクチャを導入します。
本稿では,SERA(Self-Evolving Robotic Agent)として,VLAエグゼキュータを固定した手法を提案する。
論文 参考訳（メタデータ） (2026-10-21T10:49:49Z) - 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) - EmbodiedSkills: A Unified Framework for Orchestrating, Training, and Deploying VLA Agents [56.25120535601186]
視覚言語アクション(VLA)モデルは、視覚観察と言語指示を直接ロボットアクションにマッピングする。
本稿では,各スキル決定を実行提案として扱うフレームワークであるEmbodiedSkillsを提案する。
共有可能スキルインタフェースは、ハイレベルスキル選択、バウンドローレベルVLA実行、ポストアクション検証を接続する。
論文 参考訳（メタデータ） (2026-09-01T14:14:47Z) - HarnessWAM: Bridging Prediction and Deliberation in World Action Models [39.20825071922887]
World Action Models (WAM) は、環境力学とロボットの動作を共同で学習し、身体的制御に物理的進化の先行を取り入れている。
本稿では,WAMの予測・検討ギャップに対処するため,WAMのエージェントフレームワークであるHarnessWAMを提案する。
我々は、HarnessWAMがRoboMemArenaで59.6%、69.9%、RoboCerebra Idealで23.7%、最先端のフルタスクとサブタスクの成功率を達成したことを示す。
論文 参考訳（メタデータ） (2026-08-10T12:15:59Z) - Rethink Before You Execute: Adaptive Execution for World Action Models [29.76405877028887]
世界行動モデルは、将来の行動と環境の進化を共同で予測する。
この固定された実行の地平線は実行のダイナミクスとあまり一致していないと我々は主張する。
WAMのための軽量なプラグアンドプレイ実行方式であるTempoWAMを提案する。
論文 参考訳（メタデータ） (2026-08-10T11:59:42Z) - PolicyTrim: Boosting Intrinsic Policy Efficiency of Vision-Language-Action Models [50.232333672172395]
VLA(Vision-Language-Action)モデルは、ロボット操作の統一パラダイムを提供するが、実際のデプロイメントは実行効率によってボトルネックになることが多い。
強化学習に基づくポストトレーニングフレームワークである textbfPolicyTrim を提案する。
私たちのフレームワークは、タスクの成功率を損なうことなく、最大5.83$times$エンドツーエンドのデプロイメントスピードアップを提供します。
論文 参考訳（メタデータ） (2026-06-21T14:54:07Z) - From Reaction to Anticipation: Proactive Failure Recovery through Agentic Task Graph for Robotic Manipulation [45.37258918150899]
本稿では,操作タスクを有向タスクグラフとしてモデル化するエージェントシステムであるAgentChordを紹介する。
実行前に、このグラフには、コンテキスト対応の修正動作を指定する予測リカバリブランチが組み込まれている。
多様な長距離双方向操作タスクに関する実証研究は、AgentChordが成功率と実行効率を大幅に改善することを示した。
論文 参考訳（メタデータ） (2026-05-12T11:00:45Z) - A Unified Framework for Real-Time Failure Handling in Robotics Using Vision-Language Models, Reactive Planner and Behavior Trees [1.3481665321936716]
本稿では,リアクティブプランナであるVLM(Vision-Language Models)とBT(Behavior Trees)を組み合わせて,リアルタイムの障害処理を実現する,統合された障害復旧フレームワークを提案する。
当社のアプローチには、実行前の潜在的な障害をチェックする事前実行検証と、実行中の障害を検出し修正するリアクティブ障害処理が含まれている。
我々は、ペグ挿入、オブジェクトソート、引き手の配置といったタスクにおいて、ABB YuMiロボットを用いた実世界の実験を通して、我々のフレームワークを評価する。
論文 参考訳（メタデータ） (2025-03-19T13:40:56Z)
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。