論文の概要: Auriga Technical Report: A Task-Agnostic Agent Harness for Zero-Shot Embodied Manipulation
- arxiv url: http://arxiv.org/abs/2611.01112v1
- Date: Sat, 31 Oct 2026 16:59:05 GMT
- ステータス: 情報取得中
- システム内更新日: 2026-11-03 19:21:33.097579
- Title: Auriga Technical Report: A Task-Agnostic Agent Harness for Zero-Shot Embodied Manipulation
- Title（参考訳）: Auriga Technical Report: A Task-Agnostic Agent Harness for Zero-Shot Embodied Manipulation
- Abstract要約: RoboDojoでは、大きな計画と実行のギャップが、高レベルのタスク決定と物理的実行を分離します。
目標タスクやリセットを伴わないゼロショット操作において,このギャップの68.3%を埋めるタスク非依存のエージェントハーネスであるAurigaを紹介する。
- 参考スコア（独自算出の注目度）: 62.55752327741587
- License:
- Abstract: Vision-language models can interpret instructions and plan manipulation tasks, yet struggle when acting directly as robot policies. On RoboDojo, a large planning-execution gap separates high-level task decisions from physical execution: removing arm execution raises GPT-6 Astra's success rate from 22.5% under the reference control interface to 76.2%. We present Auriga, a task-agnostic agent harness that closes 68.3% of this gap in zero-shot manipulation without target-task trials or resets. In Auriga, the model makes all task decisions over an explicit task belief and acts through either direct tool calls or synthesized multi-step Python programs, while the harness supplies calibrated 3D measurements, finger-referenced dual-arm control, and a single admission gateway to the robot. Before motion, the model inspects a visual trajectory preview while simulation is paused; during execution, the harness checks declared stage tolerances and grasp bounds, stopping the robot on divergence and returning the measured discrepancy for in-place recovery. Developed across 13 cross-task capability iterations and frozen for evaluation, Auriga ranks first on the RoboDojo leaderboard with a 57.7% success rate (64.0 Score), more than doubling the reference harness on the same model, and remains first under scene randomization while learned policies drop by up to 33.9%. On RoboCasa365, the same frozen harness reaches a 73.2% success rate, outperforming VLA-assisted agents by up to 23.1% on composite tasks. Project page: https://auriga.stelledge.com/ Code: https://github.com/lose4578/Auriga
- Abstract（参考訳）: 視覚言語モデルは指示や計画操作のタスクを解釈できるが、ロボットポリシーとして直接行動する際には苦労する。
RoboDojoでは、高いレベルのタスク決定と物理的実行を分離している。 アーム実行を削除することで、GPT-6 Astraの成功率は、参照制御インタフェースの下で22.5%から76.2%に上昇する。
目標タスクやリセットを伴わないゼロショット操作において,このギャップの68.3%を埋めるタスク非依存のエージェントハーネスであるAurigaを紹介する。
Aurigaでは、モデルが明示的なタスク信念に基づいてすべてのタスク決定を行い、直接ツールコールまたは合成されたマルチステップPythonプログラムを介して動作し、ハーネスは、調整された3D計測、指で参照されたデュアルアーム制御、ロボットへの単一の入力ゲートウェイを提供する。
動作前に、モデルはシミュレーションが停止している間に視覚軌道プレビューを検査し、実行中、ハーネスチェックはステージトレランスとグラウンドを宣言し、ロボットの発散を阻止し、測定された不一致をその場での回復のために返却する。
13回のクロスタスク能力イテレーションで開発され、評価のために凍結され、Aurigaは57.7%の成功率(64.0スコア)でRoboDojoのリーダーボードにランクインした。
RoboCasa365では、同じ凍結ハーネスが73.2%の成功率に達し、VLA補助剤を最大23.1%上回った。
プロジェクトページ: https://auriga.stelledge.com/コード: https://github.com/lose4578/Auriga
関連論文リスト
- RynnVLA-Latent: Scaling Robotic Manipulation Foundation Models with 3D-Grounded Latent Actions [38.09102112181815]
RynnVLA-Latentは、異種インタラクションビデオから、ロボットポリシー事前学習のためのスケーラブルな監視を行うフレームワークである。
RynnLAMは、ネイティブロボットコントロールを必要とせずに、視覚遷移から連続して3Dグラウンドで潜入動作を学ぶ。
論文 参考訳（メタデータ） (2026-10-25T15:05:32Z) - 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) - RoTA-Bench: Evaluating 3D Spatial Reasoning through Interactive Projection Alignment [60.989018864729445]
対話型3次元から2次元の投影アライメントによる能力評価にRoTA-Benchを導入する。
対象のシルエットが与えられた場合、モデルは回転したオブジェクトを観察し、連続する回転を選択してターゲットの投影を回復する。
GPT-5.6-Solがわずか17%のタスクで成功するのに対し、20人の学部生が100%の成功率でテストセットを4回完了した。
論文 参考訳（メタデータ） (2026-10-13T03:46:48Z) - NavGPT-3: Harnessing Context in a Hierarchical Navigation Runtime [66.14176202476176]
言語モデルとOSライクなランタイムを接続するハーネスであるNavGPT-3を紹介する。
アクションポリシー NavGPT VLAは、19.28Mの例に基づいて訓練され、シーンの変化に比例して、アロケーションを使用して視覚トークンを割り当てます。
完全なハーネスで、NavGPT-3はR2R-CEに芸術の状態を設定し、自律的なエージェントを人間レベルに持ち込む。
論文 参考訳（メタデータ） (2026-10-07T18:45:56Z) - RoboChrono: A Real Robot Benchmark for Streaming Task Understanding [33.92530084538482]
RoboChronoは、実際のロボットの実行と人間の記録から構築されたストリーミングタスク理解のためのベンチマークである。
このベンチマークは、認識、アライメント、時間的接地、行動理解と予測、視覚的対応、時間的順序付け、行動ローカライゼーションを含む7つのタスクを評価する。
論文 参考訳（メタデータ） (2026-09-29T03:21:32Z) - Know Your Body: A Harness for Direct and Self-Improving Robot Control with VLMs [20.982999884745094]
KnowBodyは、アクション関連ボディ関係を明確にし、クエリ可能で、修正可能なハーネスである。
KnowBodyは75%の完成率とネイティブハーネスの25%を達成している。
永続的な更新を有効にすると、プランナーラウンドは1回目から5回目まで29～53%減少する。
論文 参考訳（メタデータ） (2026-09-22T17:57:19Z)
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。