論文の概要: FEIJOA: Task-Driven Grounding and Execution for Mobile Manipulation
- arxiv url: http://arxiv.org/abs/2611.04080v1
- Date: Mon, 02 Nov 2026 23:42:40 GMT
- ステータス: 情報取得中
- システム内更新日: 2026-11-04 17:39:33.766953
- Title: FEIJOA: Task-Driven Grounding and Execution for Mobile Manipulation
- Title（参考訳）: FEIJOA: モバイル操作のためのタスク駆動グラウンドと実行
- Abstract要約: テスト時に命令を基底とする言語モデルエージェントであるFEIJOAを提案する。
提案されたRGB-Dスキャン上でグラウンドツールをクエリし、返却された候補を検査し、命令が解決するまでクエリを精査する。
103のオープンエンドグラウンドクエリでは、FEIJOAは94.2%を正確に解決している。
- 参考スコア（独自算出の注目度）: 26.631346248360874
- License:
- Abstract: A mobile manipulator asked to "put the toys away in the toy box" must decide which objects are toys and which container the user means, then find base poses, grasps, and placements it can execute. Because a scene representation is built before the instruction is known, it may lack the attributes, affordances, or concepts needed to resolve the task. We present FEIJOA, a language-model agent that grounds the instruction at test time. It queries a grounding tool over a posed RGB-D scan, inspects the returned candidates, and refines its queries until they resolve the instruction. An embodiment-aware harness checks each skill's preconditions, samples base poses from which the target is reachable, and verifies the skill's effect from observations before and after execution. On 103 open-ended grounding queries, FEIJOA resolves 94.2% exactly, compared with 68.0% for the best prebuilt representation. Over 50 real-world trials on Spot, it completes 35 tasks; 17 of these successes follow recovery from a failed tool call or verification check. Of the 15 failed trials, 13 were caused by the robot's physical skills, and only 2 by grounding or the agent's reasoning. Project website: https://williamshen-nz.github.io/feijoa/.
- Abstract（参考訳）: 移動マニピュレータは「おもちゃをおもちゃ箱に入れろ」と頼まれ、どの物体がおもちゃなのか、どの容器を意味するのかを判断し、実行可能な基本ポーズ、把握、配置を見つける必要がある。
シーン表現は命令が知られる前に構築されるため、タスクを解決するのに必要な属性、余裕、概念が欠けている可能性がある。
テスト時に命令を基底とする言語モデルエージェントであるFEIJOAを提案する。
提案されたRGB-Dスキャン上でグラウンドツールをクエリし、返却された候補を検査し、命令が解決するまでクエリを精査する。
具体化対応ハーネスは、各スキルの前提条件をチェックし、対象が到達可能なサンプルベースをポーズし、実行前後の観察からスキルの効果を検証する。
103のオープンエンドグラウンドクエリでは、FEIJOAは94.2%を正確に解決している。
Spotの現実世界での50以上の試行は35のタスクを完了し、そのうち17の成功は失敗したツールコールや検証チェックからのリカバリに続くものだ。
失敗に終わった15の試験のうち、13はロボットの身体的スキルによるもので、グラウンドやエージェントの推論によって2つしかなかった。
プロジェクトサイト: https://williamshen-nz.github.io/feijoa/。
関連論文リスト
- EmbodiedLab: Benchmarking Embodied Agents That Act to Know [60.785006927377005]
身体的エージェントは、どのように、いつ周囲と対話するかを自分で決めることで、現実世界の目標を達成することが期待されている。
EmbodiedLabは、ロボットが知る必要があるベンチマークです。
開発者のコーディングエージェントにおける6つのフロンティアモデルについて、ネイティブな観察と制御を行い、知覚とモーションプランニングを加えて評価した。
論文 参考訳（メタデータ） (2026-10-26T13:06:33Z) - AgentHorizon: Evaluating Agentic Judges for Long-Horizon Computer-Use Tasks [67.28108897589799]
AgentHorizonは、1,373のコンピュータ利用タスクのベンチマークである。
同様の(しかし互換性のない)要求を完了したのと、成功した軌道を区別する能力について、審査員を評価した。
我々の最高のエージェント・ジャッジであるGPT-5.5は、AHサブセット上で80.9%のバランスの取れた精度を達成する。
論文 参考訳（メタデータ） (2026-10-08T01:03:48Z) - RoboQuest: Generalist Physical Agents that Search, Inspect and Test [39.17463515070178]
目標指向の実施探索のためのベンチマークであるRoboQuestを紹介する。
RoboQuestには,検索,操作ベースの検査,インタラクティブテストという,3つの不確実性を中心とした10のモバイル操作タスクが含まれている。
我々は5つのフロンティアマルチモーダルエージェントを共通のビジュモータインタフェースで評価し、また、リリースした全エピソードのデモに基づいて、$_0.5$のポリシーを微調整した。
論文 参考訳（メタデータ） (2026-10-07T16:46:45Z) - Do Agent Benchmarks Do What They Say? An Executable-Contract Audit of Tool-Using Agent Environments [8.904042335790534]
34回にわたって、4つのベンチマークで変更ツールを監査し、7つのツール欠陥と1つの評価器特性をピン付きコミットで確認した。
注入された欠陥について、チェッカーは25個のフラグに偽陽性を示さず、5つの負のコントロールのうち2つにフラグを付け、最も多くを逃した。
さらに12のAgentDojoツール、6つのホールドアウトツールと、最初に監査された7つのツールによって、25のツール変更サーフェスが完了した。
論文 参考訳（メタデータ） (2026-09-29T11:50:55Z) - CodeActionBench: Evaluating Agentic Code-as-Policy for Embodied Manipulation [55.1660787557339]
CodeActionBenchは、エージェント的なCode-as-Policyを通じてこの機能を評価する25の操作タスクのベンチマークである。
共有ロボットAPIは、RGB観測、校正された幾何学的操作、ロボットのフィードバック、および有界運動を提供し、タスク依存の判断を評価対象に残す。
9つの構成と675の試行で大規模な評価が行われ、成功率は2.7%から73.3%である。
最も強力な構成であるGPT-6 Astra with Codex CLIは、3回の試行で少なくとも25タスクのうち22タスクを解決した。
論文 参考訳（メタデータ） (2026-09-27T17:59:31Z) - RoboFind: Multi-Agent Personalized Object Search for People Who Are Blind or Have Low Vision [49.05749155803252]
ブラインドやロービジョンのユーザは、同じカテゴリの任意のインスタンスではなく、特定のパーソナルオブジェクトを見つける必要があることが多い。
スマートフォンがターゲットを教え、四足歩行ロボットが検索を行うマルチエージェントフレームワークであるRoboFindを提案する。
32回の実際のロボットミッションで、RoboFindは85.0%成功し、25.0%が再建されたシーケンシャルファーストストップベースラインである。
論文 参考訳（メタデータ） (2026-09-17T13:04:23Z) - VABench: Measuring Embodied Spatial Intelligence through Visual Demonstrations, Active Perception, and Metric Control [57.5995346750474]
VA-Benchを導入し、完全なオブザーバ・レアソン・アクト・リビジョンループを評価する。
汎用MLLMは、RGBのみのデモンストレーションから手続き的コンテキストを学習する。
モデルには特権オブジェクトのポーズ、オラクルの軌跡、学習されたアクションヘッドは含まれない。
論文 参考訳（メタデータ） (2026-09-17T01:24:51Z)
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。