論文の概要: Learning from Physical Experience:Context-Space Adaptation for Robotic Manipulation
- arxiv url: http://arxiv.org/abs/2610.41320v1
- Date: Fri, 30 Oct 2026 06:32:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-02 22:05:31.632535
- Title: Learning from Physical Experience:Context-Space Adaptation for Robotic Manipulation
- Title（参考訳）: 物理的経験から学ぶ:ロボットマニピュレーションのためのコンテキスト空間適応
- Abstract要約: 実体験からコンテキスト空間適応を通じて学習するためのハーネスであるLEXPを紹介する。
12の現実世界操作タスクで、LEXPは23/36ドル(63.9%)のトライアルを成功させ、19/36ドル(52.8%)のメモリと2/36ドル(5.6%)のバニラアストラで達成した。
- 参考スコア（独自算出の注目度）: 11.237453116928611
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent multimodal foundation models exhibit strong perception, reasoning, and in-context learning capabilities, but translating these capabilities into physical action remains challenging. Through real-world experiments across diverse manipulation tasks, we find that ChatGPT-6-Astra, a state-of-the-art general-purpose reasoner, can serve as a physically actionable, context-responsive manipulation policy, demonstrating effective fine manipulation and spatial reasoning. Building on these findings, we introduce LEXP, a harness for learning from physical experience through context-space adaptation. LEXP combines task-level planning with an experience module that interprets execution evidence, extracts and retains lessons with applicability conditions, and reuses relevant lessons to generate contextual feedback for subsequent actions. Model weights and the action interface remain fixed throughout. Across 12 real-world manipulation tasks, LEXP achieves $23/36$ successful trials (63.9\%), compared with $19/36$ (52.8\%) with memory alone and $2/36$ (5.6\%) for vanilla Astra. On three tasks, bread transfer, sort trash and toiletries, and retrieve drawer, removing planning reduces success from $7/9$ to $4/9$, while removing retained experience reduces it to $3/9$. Execution traces illustrate feedback-guided corrections and cross-episode reuse of an inspection strategy. Execution analyses illustrate how task structure and experience-derived feedback guide task progression, action correction, and experience reuse. These results support context-space adaptation as a practical mechanism for turning physical interaction into reusable guidance for robotic manipulation.
- Abstract（参考訳）: 最近のマルチモーダル基礎モデルは、強い知覚、推論、文脈内学習能力を示すが、これらの能力を身体行動に変換することは依然として困難である。
様々な操作タスクにわたる実世界の実験を通して、最先端の汎用推論器であるChatGPT-6-Astraが、物理的に作用し、文脈に応答する操作ポリシーとして機能し、効果的な微細な操作と空間的推論を実証できることが判明した。
これらの知見に基づいて,身体経験からコンテキスト空間適応を学習するためのハーネスであるLEXPを紹介した。
LEXPは、タスクレベルの計画と、実行証拠を解釈し、適用可能性条件でレッスンを抽出し、保持するエクスペリエンスモジュールを結合し、関連するレッスンを再利用して、その後のアクションに対するコンテキストフィードバックを生成する。
モデルウェイトとアクションインターフェースは、いまだに固定されている。
12個の実世界の操作タスクで、LEXPは23/36$成功トライアル(63.9\%)を達成し、バニラ・アストラは19/36$(52.8\%)、バニラ・アストラは2/36$(5.6\%)を達成している。
3つのタスクでは、パンの移動、ゴミとトイレリーのソート、引き出しの回収、プランニングの削除が成功率を7/9ドルから4/9ドルに下げる一方で、保持されたエクスペリエンスの削除は3/9ドルに下げる。
実行トレースは、フィードバック誘導された修正と検査戦略の横断的な再利用を示している。
実行分析は、タスク構造と経験に基づくフィードバックガイドタスクの進行、行動修正、経験再利用の方法を説明する。
これらの結果は、物理的相互作用をロボット操作のための再利用可能なガイダンスに変えるための実践的なメカニズムとして、コンテキスト空間適応をサポートする。
関連論文リスト
- Asymmetric On-Policy Distillation Learns In-Context Exploration [31.70933434925811]
ASTEROIDは、テスト時間探索を学習できる教師付き学習フレームワークである。
固定された調査予算の下で2倍のリターンを達成し、RLベースラインよりも100倍少ないインタラクションを使用し、探索においてフロンティアモデルを上回るパフォーマンスを発揮する。
論文 参考訳（メタデータ） (2026-10-21T17:50:31Z) - GPT-6-Astra Understands Touch and Outperform Vision--Tactile--Language--Action Models [51.175201003559]
汎用マルチモーダルモデルは、直接的なロボットアクションポリシーとして約束されているが、それらが現実世界の相互作用の基礎となる物理を把握しているかどうかはまだ解明されていない。
本稿では,コンタクトリッチな操作を代表的テストベッドとして用い,触覚理解をこの幅広い能力の具体例として検討する。
本稿では, GPT-as-Tactile-Policyについて紹介する。
論文 参考訳（メタデータ） (2026-10-20T16:15:02Z) - Large Multimodal Models for Direct Robot Control: GPT-6 as a Beginning [71.88401072770884]
本稿では,軽量エージェント実行フレームワークを用いた閉ループロボット操作のためのGPT-6 Astraを体系的に評価する。
まず,3つの基本的具現化能力,深度知覚,文脈内学習,触覚理解を探索する。
次に、GPT-6 Astraを、6つの機能ディメンジョンに沿って、確立された5つのベンチマークで評価する。
論文 参考訳（メタデータ） (2026-10-20T14:15:04Z) - MetaExp: Learning to Self-Improve through Experience via Verifiable Cross-Task Environment Scaling [46.142761865258194]
言語モデルエージェントは、インタラクションフィードバックを蓄積することができるが、そのフィードバックを再利用可能なエクスペリエンスに変えることは、依然として困難である。
MetaExpは拡張性のあるフレームワークで、タスクファミリを制御されたクロスタスク構造で検証することで、この機能をトレーニングします。
我々は,1000のタスクファミリーから4,956のタスクファミリ上で,環境をスケールし,逐次的相互作用トラジェクトリを収集・フィルタし,Qwen3.5-122B-A10Bを微調整する。
論文 参考訳（メタデータ） (2026-10-15T08:29:01Z) - ReTTT: Reflection-Driven Test-Time Training via Experience-Based Parametric Memory [13.345272529669613]
ReTTTは、エピソード内で構築され、継続的に修正されるレッスンに対するテストタイムトレーニングを通じて、経験駆動型の自己適応を可能にする。
ALFWorld,ScienceWorld,SWE-bench LiteのReTTTを2つのモデルファミリーを用いて評価した。
論文 参考訳（メタデータ） (2026-10-08T04:47:31Z) - LifeMem: Enabling Lifelong Experience Reuse for LLM Agents [79.11224209641739]
LifeMemは、エージェントが複数の環境にまたがって知識を伝達できるようにする、生涯学習フレームワークである。
LifeMemは、再利用可能なスキルを抽出するために、基礎となる軌跡に基づく相互作用軌跡を蓄積した。
その結果、LifeMemは生涯学習における効果的な体験再利用を可能にし、学習課題の忘れを減らし、より優れたタスク間移動を実現することができることがわかった。
論文 参考訳（メタデータ） (2026-09-11T10:00:43Z) - S3Gym: Can LLMs Turn Self-Testing and Self-Judging into Self-Improvement? [66.17176838165994]
大規模言語モデル(LLM)は、ますます外部環境と相互作用し、かなりの行動経験を蓄積する。
エージェントがその振る舞いを積極的にテストし、得られた経験を判断し、その経験を使って将来の意思決定を改善することができるかどうかは不明だ。
LLM自己改善評価のための対話型ベンチマークである textbfStextsuperscript3Gym を導入する。
論文 参考訳（メタデータ） (2026-08-31T17:05:41Z) - IMBench: A Benchmark for Intuitive Robotic Manipulation [11.843368723732679]
人間は推論と運動制御を組み合わせて、様々な制約の下で複雑な操作タスクを解く。
既存のベンチマークは、この統合を達成できない。
IMBENCHは直感的な操作を知覚、身体的推論、行動生成、反復実行にまたがる統合機能として評価するためのベンチマークである。
論文 参考訳（メタデータ） (2026-07-17T05:34:29Z) - TRAIL: Near-Optimal Imitation Learning with Suboptimal Data [100.83688818427915]
オフラインデータセットを使用してファクタードトランジションモデルを学習するトレーニング目標を提案する。
我々の理論的分析は、学習された潜在行動空間が下流模倣学習のサンプル効率を高めることを示唆している。
実際に潜伏行動空間を学習するために、エネルギーベースの遷移モデルを学ぶアルゴリズムTRAIL(Transition-Reparametrized Actions for Imitation Learning)を提案する。
論文 参考訳（メタデータ） (2021-10-27T21:05:00Z) - Visual Imitation Made Easy [102.36509665008732]
本稿では,ロボットへのデータ転送を容易にしながら,データ収集プロセスを単純化する,模倣のための代替インターフェースを提案する。
我々は、データ収集装置やロボットのエンドエフェクターとして、市販のリーチ・グラブラー補助具を使用する。
我々は,非包括的プッシュと包括的積み重ねという2つの課題について実験的に評価した。
論文 参考訳（メタデータ） (2020-08-11T17:58:50Z)
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。