論文の概要: META-Robot: Self-Cognition and Capability Scaling in Agentic Robots

• arxiv url: http://arxiv.org/abs/2610.41868v2
• Date: Wed, 04 Nov 2026 14:44:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-05 20:19:46.881616
• Title: META-Robot: Self-Cognition and Capability Scaling in Agentic Robots
• Title（参考訳）: META-Robot:エージェントロボットの自己認識と能力スケーリング
• Abstract要約: META-Robotは、エージェントがそのスキルを評価し、開発する基準を拡張することで、自己認知と能力スケーリングを結合する。 原始受容フィードバックは、このプロセスをロボットの物理的状態に置き、自己認識に利用可能な証拠を豊かにする。 シミュレーションおよび実ロボットを用いた実験は、全体的なタスク性能の向上、新しいタスクの一般化、スキルと評価基準の継続的な拡張、非視覚的受容シグナルの有効利用を実証する。
• 参考スコア（独自算出の注目度）: 19.408608965761015
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: LLM-based robotic agent systems can generate programs for robot control, yet their generalization to new tasks often depends on elaborate scaffolding. Expanding their skill repertoires alone offers limited guidance on how to assess new capabilities or identify what remains beyond their reach. We introduce META-Robot, a framework that couples self cognition with capability scaling by expanding the criteria through which an agent evaluates and develops its skills. At its core, action-level predicates make execution outcomes explicit and available for LLM reasoning. The agent uses these assessments to identify its own limitations, extend relevant evaluation criteria, and guide the structured expansion of its skills. Proprioceptive feedback further grounds this process in the robot's physical state, enriching the evidence available for self-cognition. Experiments in simulation and on real robots demonstrate stronger overall task performance, generalization to new tasks, continued expansion of skills and evaluation criteria, and effective use of non-visual proprioceptive signals.
• Abstract（参考訳）: LLMベースのロボットエージェントシステムは、ロボット制御のためのプログラムを生成することができるが、新しいタスクへの一般化は、しばしば精巧な足場に依存する。 スキルレパートリーを拡大することで、新しい機能の評価方法や、到達範囲を超えて残っているものを特定する方法の限定的なガイダンスが提供される。 本稿では,エージェントがスキルを評価し,開発する基準を拡張することで,自己認識と能力スケーリングを結合するフレームワークであるMETA-Robotを紹介する。 アクションレベルの述語は、実行結果を明確にし、LLM推論で利用できる。 エージェントは、これらの評価を使用して、自身の制限を特定し、関連する評価基準を拡張し、そのスキルの構造化された拡張を導く。 原始受容フィードバックは、このプロセスをロボットの物理的状態にさらに根ざし、自己認識に利用可能な証拠を豊かにする。 シミュレーションおよび実ロボットを用いた実験は、全体的なタスク性能の向上、新しいタスクの一般化、スキルと評価基準の継続的な拡張、非視覚的受容シグナルの有効利用を実証する。

関連論文リスト

• RobotAgentBench: Towards Open-world Robot Autonomy [40.754171482216606]
  本稿では,リアルでオープンな家庭環境下でロボットエージェントを評価するためのベンチマークであるRobotAgentBench(RAB)を紹介する。 RABは、90のアトミックタスク、18のショートホライゾンタスク、8のロングホライゾンタスク、4つのオープンエンドシナリオを含む、対話的なオブジェクトと物理的に接地されたタスクを備えた50の多様な家庭用レイアウトを構築している。
  論文  参考訳（メタデータ） (2026-10-26T00:26:30Z)
• Scaling Online Exploration for Robot Agents [147.6570058866968]
  RAX(Robot Agent eXploration)は、ロボットエージェントのためのオープンソースのフレームワークである。 本稿では,単腕,両腕,外陰部,移動体,ヒューマノイドシステムを用いて,オンライン探索の精度向上と長期操作作業のスケールについて検討する。 RAXは、人間のデモンストレーションなしで、メモリ依存、調音、高精度、変形可能、および長距離移動操作タスクを自律的に学習する。
  論文  参考訳（メタデータ） (2026-10-15T18:00:28Z)
• RLE-Bench: A Qualifying Exam for Coding Agents as Robot Learning Engineers [15.762203715830955]
  エージェントは、異質なアーティファクトを構築し、統合し、診断し、改善しなければならない。 RLE-Benchは、インタラクティブ制御、ポリシー学習、知覚と推定、機械設計の4つのロボット開発にまたがるロボット学習タスクのベンチマークである。 我々は、エージェントが訓練した政策エージェントに達成した成功率、ハーネスエージェントの構築、そしてエージェントが設計した機械構造から、コーディングエージェントが提出したアーティファクトを評価するために、多様なタスク固有のメトリクスを使用します。
  論文  参考訳（メタデータ） (2026-09-28T03:16:09Z)
• From Language to Action: Can LLM-Based Agents Be Used for Embodied Robot Cognition? [1.4016147623265656]
  大規模言語モデル(LLM)は、推論や言語理解など、突発的な認知的側面を示すことが示されている。 本稿では,エージェントLLMが計画と推論のコアコンポーネントとなる認知アーキテクチャを提案する。 本研究では,エージェントの推論,計画,記憶利用の2つの課題について,提案システムの評価を行った。
  論文  参考訳（メタデータ） (2026-03-03T16:36:06Z)
• Fundamentals of Building Autonomous LLM Agents [64.39018305018904]
  本稿では,大規模言語モデル(LLM)を用いたエージェントのアーキテクチャと実装手法について概説する。 この研究は、複雑なタスクを自動化し、人間の能力でパフォーマンスのギャップを埋めることのできる「アジェンティック」なLLMを開発するためのパターンを探求することを目的としている。
  論文  参考訳（メタデータ） (2025-10-10T10:32:39Z)
• RoBridge: A Hierarchical Architecture Bridging Cognition and Execution for General Robotic Manipulation [90.81956345363355]
  RoBridgeは、一般的なロボット操作のための階層的なインテリジェントアーキテクチャである。 大規模事前学習型視覚言語モデル(VLM)に基づくハイレベル認知プランナー(HCP)で構成されている。 強化学習の手続き的スキルを解き放ち、認知と実行のギャップを効果的に埋める。
  論文  参考訳（メタデータ） (2025-05-03T06:17:18Z)
• On the Exploration of LM-Based Soft Modular Robot Design [26.847859137653487]
  大規模言語モデル(LLM)は、現実世界の知識をモデル化する上で有望な能力を示した。 本稿では,LLMを用いてソフトモジュールロボットの設計を支援する可能性について検討する。 本モデルは,一方向・二方向・階段移動機能を有するソフトモジュールロボットの設計において,優れた評価性能を発揮する。
  論文  参考訳（メタデータ） (2024-11-01T04:03:05Z)
• WorkArena++: Towards Compositional Planning and Reasoning-based Common Knowledge Work Tasks [85.95607119635102]
  大型言語モデル(LLM)は人間のような知性を模倣することができる。 WorkArena++は、Webエージェントの計画、問題解決、論理的/論理的推論、検索、コンテキスト的理解能力を評価するように設計されている。
  論文  参考訳（メタデータ） (2024-07-07T07:15:49Z)

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。