論文の概要: REA: A Routed Embodied Agent Runtime for Asynchronous Brain-Cerebellum Control
- arxiv url: http://arxiv.org/abs/2610.42053v1
- Date: Fri, 30 Oct 2026 17:18:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-02 22:05:31.849785
- Title: REA: A Routed Embodied Agent Runtime for Asynchronous Brain-Cerebellum Control
- Title(参考訳): REA: Asynchronous Brain-Cerebellum Controlのためのルート付きエボダイドエージェントランタイム
- Abstract要約: Routed Embodied Agent (REA) は、議論的システム2、具体的ルータ1、リアクティブシステム0ポリシーが連携するランタイムである。
我々はREAが95.9%の成功を収め、独自のポリシープールにおいて最高の単一エージェントベースラインを破っていることを示す。
別々の100エピソードのRoboTwin 2.0研究では、REAはVLAポリシーで84%、VLA+codeで86%、最強の単一のVLAベースラインMEDexでは80%である。
- 参考スコア(独自算出の注目度): 18.133045098074593
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Foundation models are becoming remarkably reliable at high-level reasoning, yet they remain too slow and costly to serve as fine-grained controllers. Conversely, fast policies like VLAs and whole-body controllers offer more efficient reflexes, but struggle to generalize. While pairing a deliberative brain (foundation models) with a reactive cerebellum (fast policies) seems natural for embodied systems, two obstacles remain: methods are built and scored on incompatible stacks, and their asynchronous coordination is difficult. For example, an agent that calls the VLA in the agentic loop can stall the fast execution, while a VLA that calls the agent on errors tends to re-trigger fallbacks repeatedly or completely miss silent failures. To address this, we propose REA (Routed Embodied Agent), a unified runtime where a deliberative System 2, an embodied router System 1 and reactive System 0 policies cooperate under a single golden rule - no running policy waits on the brain. Instead of querying the brain at each failure, REA employs a route memory that stores each policy's measured success ahead of time, a boundary-triggered judge gate that consults the brain on policy execution, and a shared-budget escalation ladder for bounded recovery. Evaluated on 3,000 test episodes across 60 LIBERO-Pro tasks, REA reaches 95.9% success and beats the best single-agent baseline in its own policy pool (94.7%) while reducing control steps by 25% and control time by 17%. In a separate 100-episode RoboTwin 2.0 study, REA achieves 84% success with VLA policies and 86% with VLA+code, compared with 80% for the strongest single VLA baseline MEDex. These results demonstrate learned and programmatic policies operating within the same runtime. REA also transfers to BEHAVIOR-1K and a real Unitree G1 humanoid, achieving the highest observed success among the compared methods.
- Abstract(参考訳): ファウンデーションモデルはハイレベルな推論では驚くほど信頼性が高くなっているが、粒度の細かいコントローラとして機能するには遅すぎるし、コストもかかる。
逆に、VLAや全身コントローラのような高速なポリシーはより効率的な反射を提供するが、一般化に苦慮している。
フレキシブルな脳(境界モデル)とリアクティブな小脳(高速なポリシー)をペアリングすることは、具体的システムには自然なことですが、メソッドは互換性のないスタック上に構築され、スコア付けされ、非同期の調整が難しいという2つの障害が残っています。
例えば、エージェントループでVLAを呼び出すエージェントは、高速実行を中断する可能性があるが、エラーでエージェントを呼び出すVLAは、繰り返しフォールバックをトリガーするか、サイレント障害を完全に見逃す傾向にある。
この問題に対処するため,検討型システム2,実施型ルータシステム1,リアクティブ型システム0ポリシがひとつの黄金律の下で協調する,統一的な実行環境であるREA(Routed Embodied Agent)を提案する。
障害毎に脳に問い合わせる代わりに、REAでは、各ポリシの計測された成功を事前に記憶するルートメモリ、ポリシー実行について脳に相談する境界トリガー付き判断ゲート、バウンドリカバリのための共有予算エスカレーションラグを使用している。
60のLIBERO-Proタスクで3000回のテストエピソードを評価すると、REAは95.9%の成功を収め、独自のポリシープール(94.7%)で最高のシングルエージェントベースラインを破り、コントロールステップを25%減らし、コントロールタイムを17%減らした。
別々の100エピソードのRoboTwin 2.0研究では、REAはVLAポリシーで84%、VLA+codeで86%、最強の単一のVLAベースラインMEDexでは80%である。
これらの結果は、同じランタイム内で動作している学習とプログラムのポリシーを示している。
REAはまた、BEHAVIOR-1Kと本物のUnitree G1のヒューマノイドに転移し、比較した手法の中で最も高い成功を達成している。
関連論文リスト
- Profiling a Frontier Agent with EBench: From Direct Control to Harness with Policy [58.20511644298136]
我々はGPT-6-Astraをエージェントハーネスを介してロボットを制御するエージェントのコアとして評価する。
直接制御の下では、エージェントは訓練後ポリシーと比較して総合的なパフォーマンスを達成する。
ポリシーのハーネスでは、後トレーニングされたVLAまたはWAMを呼び出すことは、両方のコンポーネントの相補的な強みを組み合わせる。
論文 参考訳(メタデータ) (2026-10-26T17:51:02Z) - If at First You Don't Succeed, Backtrack: Lightweight Recovery for Frozen VLAs [1.4091801425319963]
本稿では,凍結型ビジョン・ランゲージ・アクション(VLA)モデルに対する軽量な故障検出と回復機構であるBacktrackを紹介する。
凍結ポリシーの結果ラベル付きロールアウトのみに基づいてトレーニングされた小さな障害予測ヘッドは、VLAの既存の内部表現を読み、現在のエピソードが失敗するかどうかを推定する。
予測された故障確率がしきい値を超えると、コントローラはポリシーを一時停止し、最近達成された腕の動きを遡り、変更されていないポリシーに制御し、以前の構成から再試行することができる。
論文 参考訳(メタデータ) (2026-10-23T17:35:33Z) - Can an Agent Learn to Predict Its Own Failure? Outcome-Grounded Confidence Calibration in LLM Agents [0.2538209532048867]
マルチステップエピソードの最終的な結果に対するエージェントの信頼度を調整する手法を提案する。
オフラインRLでは、エピソード結果に対するステップ信頼のAUROCは0.68-0.85に近づき、エージェントの上位10%は4.3倍の成功に最も自信を持つ。
ライブALFWorldエージェント上のオンラインRLでは、4つのキャリブレーション報酬がアーリーステップのAUROCを改善し、期待キャリブレーションエラーは0.42から0.12以下となり、未訓練エージェントとフォーマットのみのRLコントロールの両方に対して選択的実行が改善される。
論文 参考訳(メタデータ) (2026-10-13T16:00:01Z) - RESETTLE: Robotic Recovery through Disagreement-Triggered Retrieval and Efficient Corrective Control [92.47481295713227]
本稿では,凍結ロボットポリシーのアクション・エグゼクティブ・インタフェースにおいて,効率的なリカバリのためのモデルに依存しないフレームワークであるRESETTLEを紹介する。
適応されたV-JEPAエンコーダを使用して、同じタスクのデモ参照を取得する。
LIBERO-Plus、Meta-World、RoboCasaでは最大8.70%、6.28%、絶対的な成功率6.83%に達する。
論文 参考訳(メタデータ) (2026-10-08T15:49:03Z) - LIBERO-MAX: Do Robot Policies Adapt When the World Changes? [61.52324972910026]
多くのシミュレーションロバストネスベンチマークは、リセット時に外部条件を修正し、この時間的課題を過小評価する。
LIBERO-MAXは、幾何学、観察、外観、乱雑、経路の8種類の変化にまたがる8000のペアケースのベンチマークである。
各ペアはタスク実行と、タスク、初期状態、ポリシーシード、修正前のアクションシーケンスを保持する中タスクイベントとを比較します。
論文 参考訳(メタデータ) (2026-09-29T02:12:26Z) - RACaP: Agentic Reasoning, Acting, and Coding as Policies for Evolvable Robot Learning [61.4848860546758]
汎用ロボットエージェントは経験から学び、新しいタスクに移行し、効率的に行動しなければならない。
Code as Policies (CaP) メソッドは実行時にプログラムを生成して修復し、遅延を発生させ、再利用可能なメカニズムをタスク固有の決定に絡ませる。
我々は、コーディングを進化へ移行するエージェントフレームワークであるRACaPを導入し、Reasoning-and-Acting(ReAct)ループを使用して、デプロイ時に凍結型ポリシーAPIを呼び出します。
論文 参考訳(メタデータ) (2026-09-24T11:22:45Z) - 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) - LLMs Can Predict Failure Risk, But Struggle to Predict Which Collaboration Protocol Pays Off: Cost-Aware Protocol Routing Across Reasoning Tasks [3.789882665982407]
マルチエージェント大規模言語モデル(LLM)システムは、より多くの計算に費やして推論を改善することができる。
この決定は、各設定内に固定されたソルバを保持しながら、すべての問題を4つのプロトコルで実行することで分離する。
論文 参考訳(メタデータ) (2026-08-14T22:35:37Z) - IB-RL: Isolated Bilateral Reinforcement Learning for Strategic Dialogue Agents [7.9227321734048495]
強化学習(Reinforcement Learning, RL)は、数学的推論やコード実行など、定常的で検証可能な報酬を持つタスクにおいて、大きな言語モデル(LLM)を改善する上で大きな成果を上げている。
このようなインタラクティブな性質にもかかわらず、現在のRLアプローチは通常、固定されたエージェントやシミュレータに対してターゲットエージェントを訓練する。
この訓練パラダイムは、政策が相互に共通する戦略を学習するよりも、相補的な正規性を活用することを奨励している。
本稿では,両ロールが共同ロールアウトを通じて共進化し,各ロールが完全に独立したアドバンテージ,アクションマスクを通じて自身の報酬を最適化する,分離型バイラテラル強化学習(IB-RL)を提案する。
論文 参考訳(メタデータ) (2026-08-07T02:59:53Z) - DoVer: Intervention-Driven Auto Debugging for LLM Multi-Agent Systems [48.971606069204825]
DoVerは、大規模言語モデル(LLM)ベースのマルチエージェントシステムのための介入駆動デバッグフレームワークである。
ターゲットの介入を通じて、アクティブな検証によって仮説生成を増強する。
DoVerは失敗試験の18~28%を成功させ、最大16%のマイルストーンを達成し、失敗仮説の30~60%を検証または否定する。
論文 参考訳(メタデータ) (2025-12-07T09:23:48Z)
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。