論文の概要: BioAgent: Self-Directed Skill Acquisition and Capability Growth for Long-Horizon Laboratory Protocols
- arxiv url: http://arxiv.org/abs/2610.41383v1
- Date: Fri, 30 Oct 2026 07:47:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-02 22:05:31.650239
- Title: BioAgent: Self-Directed Skill Acquisition and Capability Growth for Long-Horizon Laboratory Protocols
- Title（参考訳）: BioAgent: 長期実験用プロトコルにおける自己指導型スキル獲得と能力成長
- Abstract要約: BioAgentは、人間レビューされた要件と、検証済みのスキルとタスクパッケージとを一致させる。
学習したスキルは、結果を確認するためのシーケンシャルなタスクパッケージバリデーションを実行します。
実行中は、事前条件、結果、実験的状態チェックが進行、自律的な回復、または終了を管理する。
- 参考スコア（独自算出の注目度）: 31.094889548133775
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Executing an unfamiliar laboratory protocol requires a robot to identify missing capabilities and determine whether each operation remains valid as the experiment progresses. This letter presents BioAgent, an embodied agent that addresses these coupled challenges of capability sufficiency and experimental validity. It matches human-reviewed requirements to validated skills and task packages, selects tool-based implementations for missing behaviors, and requests human teaching when needed during learning. Learned skills undergo sequential task-package validation to check outcomes and compatibility between successive operations. During execution, precondition, outcome, and experimental-state checks govern progression, autonomous recovery, or termination. Execution evidence guides tool selection, while accepted experience supports offline policy updates and task packaging. On the second task, BioAgent reuses 17 skill types unchanged, revises two existing implementations, and acquires five new types. On two dual-arm laboratory tasks with 20 and 31 ordered skill invocations, BioAgent achieves complete-task success rates of 66\% and 58\% with autonomous recovery over 50 runs per task. Across 25 atomic skills evaluated over 50 autonomous trials each with recovery disabled, success rates range from 84\% to 100\%, with 17 skills achieving 50/50.
- Abstract（参考訳）: 不慣れな実験室のプロトコルを実行するには、ロボットが不足する能力を特定し、実験が進むにつれて各操作が有効かどうかを判断する必要がある。
この手紙は、これらの能力満足度と実験的妥当性の両立した課題に対処する、組み込まれたエージェントであるBioAgentを提示する。
ヒューマンレビューされた要件を、検証済みのスキルとタスクパッケージにマッチさせ、不足する振る舞いのためのツールベースの実装を選択し、学習中に必要なときにヒューマン教育を要求する。
学習したスキルは、連続した操作間の結果と互換性をチェックするために、シーケンシャルなタスクパッケージ検証を行う。
実行中は、事前条件、結果、実験的状態チェックが進行、自律的な回復、または終了を管理する。
実行エビデンスによってツールの選択がガイドされる一方で,承認されたエクスペリエンスはオフラインポリシ更新とタスクパッケージングをサポートする。
第2のタスクでは、BioAgentは17のスキルタイプを変更せずに再利用し、2つの既存の実装を修正し、5つの新しいタイプを取得する。
20と31のスキル呼び出しを持つ2つのデュアルアームのラボルームタスクにおいて、BioAgentは全タスク成功率66\%と58\%を達成し、1タスクあたり50ラン以上の自律的なリカバリを実現している。
回復障害のある50以上の自律的な試験を評価された25の原子スキルのうち、成功率は84\%から100\%の範囲で、17のスキルは50/50に達する。
関連論文リスト
- From Trajectories to Differentiated Skills: Cognitive Differentiation for Self-Improving Agents [44.9231810699772]
大規模言語モデル(LLM)エージェントは、推論や外部環境との相互作用を通じて複雑なタスクに取り組む。
本稿では,メタ,経験,ツール,スクリプトの4つの機能的に異なるコンポーネントを通じて,統一されたスキルを進化させる認知的スキル進化(CDSE)を提案する。
上位500のスキルパッケージの分析によると、96.8%は少なくとも2つの機能的役割にまたがる知識を含んでいる。
論文 参考訳（メタデータ） (2026-10-16T15:16:56Z) - Robota-Embed: Unified VLA Embeddings for Robot In-Context Learning and Evolution [90.448613284096]
ロボット・エンベッド(Robota-Embed)を導入し、現在のクエリと記録された将来の継続の両方において、3つのモダリティを共同で符号化する最初の視覚言語アクション埋め込みモデルについて紹介する。
我々は,1,695,684個のトレーニングアンカーを複数ソースで構築し,4000のクエリと8000のギャラリーの共有を備えたRobota-Embed-Benchを紹介した。
Robota-Embedは47.33%のクリップレベルと81.77%のエピソードレベルのR@1を達成した。
論文 参考訳（メタデータ） (2026-10-14T03:15:23Z) - ManiUnit: A Manipulation Skill Dataset and Benchmark for Long-Horizon Tasks [20.55439383365073]
長距離移動操作には、ロボットが複数の部屋の環境をナビゲートし、1つの自然言語で一連の操作スキルを実行する必要がある。
我々は50 BEHAVIOR-1K アクティビティから構築された操作スキルデータセットとベンチマークである ManiUnit を紹介した。
データセットには21のスキルタイプ137,899のセグメントと417のサブタスクが含まれており、ベンチマークには1,260のテストインスタンスが含まれている。
論文 参考訳（メタデータ） (2026-10-08T15:00:04Z) - EmbodiedRSI: Active Continual Robot Learning Through Hypothesis-Guided Co-Evolution [67.8338816777088]
EmbodiedRSIは、次に探索する場所を自律的に決定する自己進化型エージェントハーネスである。
これはFast-Slow Dual-System Architectureを通じて実現します。
RoboCasa365では、EmbodiedRSIは77.0%、Composite-Unseenでは71.3%に達した。
論文 参考訳（メタデータ） (2026-10-07T17:48:02Z) - PhysEvo: Astra Can Act, Let It [13.546497633698268]
単一の凍結モデルを中心とした物理的自己改善のためのフレームワークであるPhysEvoを紹介する。
タスクエージェントは、ロボットタスクを実行する。メタエージェントは、結果の軌跡を使用して、障害の診断、ツールやスキルの改訂、テスト修正を行う。
論文 参考訳（メタデータ） (2026-10-06T18:54:15Z) - Reconstruct, Practice, Go Real: Guided Self-Improvement for Embodied Agents [50.03584684933779]
本稿では,ロボット実行システムの自律的改善のためのフレームワークであるReconstruct, Practice, Go Real(RPG)を紹介する。
RPGはオフラインデータセットの操作機能を特定し、シミュレーションで関連するプラクティスタスクを構築する。
新しい再利用可能なシンボリックスキルを開発し、既存のスキルを洗練させ、これらの診断に基づいてシステムプロンプトを改訂する。
論文 参考訳（メタデータ） (2026-10-01T17:59:50Z) - Recova: Agent-Guided Failure Recovery for Autonomous Robotic Manipulation [104.46042352396563]
Recovaはエージェント誘導型フレームワークで、再構築されたデジタルツインでタスク実行とリカバリを共同で開発する。
双子では、エージェントは障害を診断し、修正プログラムをテストし、異なるポリシーのために正常なタスクとリカバリのロールアウトを収集する。
適切なリカバリが得られない場合、人間のデモによって障害が解決され、システムがリカバリ機能を拡張することができる。
論文 参考訳（メタデータ） (2026-10-01T06:52:05Z) - Efficient Test-Time Adaptation through Human-AI Interaction [112.5131603022122]
我々は,ヒト-エージェント間相互作用(TAHI)によるテスト時間適応を提案する。
エージェントを2つの高ユーティリティドメイン(書き込みと視覚的創造)の30人に適応させ、合計600のタスクをこなします。
エージェントは10タスク以内の単独作業の成功率を4.5-20.9%向上させる。
論文 参考訳（メタデータ） (2026-09-03T17:33:18Z) - SkillHEX: Improving Agent Skills via Hypothesis-Driven Autonomous Exploration and Exploitation [13.350311645241225]
本稿では,仮説駆動型自己検証とエビデンス誘導木探索を併用したクローズドループフレームワークであるSkillHEXを紹介する。
SkillHEXは、フェール可能な失敗仮説を実行可能なテストに変換する。
論文 参考訳（メタデータ） (2026-08-06T05:51:02Z) - SkillAudit: Ground-Truth-Free Skill Evolution via Paired Trajectory Auditing [81.51044612408793]
SkillAuditは、地味なフィードバックなしにエージェントスキルを進化させるフレームワークである。
行動の違いを編集指導に変換するために、SkillAuditはProcess-Aligned Contrastive Evaluationを使用する。
Refineはノイズや無関係なガイダンスを広く有用なスキルから取り除き、修復はタスクと競合するパスを置き換える。
論文 参考訳（メタデータ） (2026-06-12T08:20:09Z)
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。