論文の概要: ActOR: Ambient AI-Based Agentic Orchestration for Humanoid Autonomy in Operating Rooms

• arxiv url: http://arxiv.org/abs/2611.04255v1
• Date: Tue, 03 Nov 2026 03:48:01 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-04 17:42:21.361821
• Title: ActOR: Ambient AI-Based Agentic Orchestration for Humanoid Autonomy in Operating Rooms
• Title（参考訳）: ActOR:手術室におけるヒューマノイド自律性のためのAIに基づくエージェントオーケストレーション
• Abstract要約: ActORは壁に取り付けられた周囲カメラとロボットのヘッドマウントカメラを、共有オブジェクトレベルのデジタルツインに融合させる。 アンビエントAIベースの観察は、ロボットアクション計画を改善し、成功を高め、探索を減らすシーン状態を提供する。 本研究は,モックORにおける多段階処理タスクに対するヒューマノイドタスク自律性の実現可能性を示す。
• 参考スコア（独自算出の注目度）: 7.17074111561017
• License:
• Abstract: Operating rooms (ORs) increasingly contain ambient sensing infrastructure to enable AI-based optimization of workflows and utilization. We pursue an alternative path: using ambient AI to guide robot action and optimize utilization. Deploying humanoids in the OR without ambient AI is severely limited by cumbersome de novo orientation and planning due to partial onboard observations. We posit that this can be achieved by coupling an ambient AI-based agentic orchestrator with the humanoid robotic actor, providing shared perception and execution feedback for humanoid autonomy in the OR. ActOR fuses a wall-mounted ambient camera and the robot's head-mounted camera into a shared object-level digital twin (DT). A large language model agent plans over the DT using pre-programmed locomotion and manipulation skills without task-specific training. During execution, DT updates and execution outcomes inform retries, alternative approaches, or replanning. We evaluated ActOR in simulated and physical environments. Across three tasks in two simulated ORs reconstructed from real rooms, ambient perception reduced exploration from 1.05 to 0.12 Explore calls per trial when targets were initially outside the robot's view. Closed-loop feedback increased success from 46.7% to 83.3% under nominal execution and from 8.3% to 51.7% under injected navigation, object-relocation, and grasp perturbations. In a physical mock OR with a humanoid, ActOR completed 14 of 20 single-object disposal trials and demonstrated replanning after scene changes. Ambient AI-based observations provide scene state that improves robot action planning, increasing success and reducing exploration compared with robot-only observations. Feeding skill outcomes and DT updates back to the planner improves multi-step task success. Our results show the feasibility of humanoid task autonomy for multi-step disposal tasks in a mock OR.
• Abstract（参考訳）: オペレーティングルーム(OR)には、ワークフローと利用のAIベースの最適化を可能にする環境検知インフラストラクチャがますます含まれている。 我々は、ロボットアクションをガイドし、利用を最適化するために、環境AIを使用する別の経路を追求する。 周囲のAIを使わずにORにヒューマノイドを配置することは、部分的にオンボードで観察されるため、煩雑なデ・ノボの配向と計画によって著しく制限される。 我々は、周囲AIベースのエージェントオーケストレータとヒューマノイドロボットアクターを結合し、ORにおけるヒューマノイド自律性に対する共通の認識と実行フィードバックを提供することにより、これを実現できると仮定する。 ActORは、壁に取り付けられた周囲カメラとロボットのヘッドマウントカメラを、共有オブジェクトレベルのデジタルツイン(DT)に融合させる。 大規模言語モデルエージェントは、タスク固有のトレーニングなしで、事前にプログラムされた移動と操作のスキルを使用してDTを計画する。 実行中、DT更新と実行結果がリトライ、代替アプローチ、あるいはリプランに通知する。 シミュレーションおよび物理環境におけるアクターの評価を行った。 実際の部屋から再構築された2つの模擬ORの3つのタスクにおいて、周囲の知覚は、当初ロボットの視界外にあった1回の試験毎に1.05から0.12への探索を減らした。 クローズドループのフィードバックは、名目上は46.7%から83.3%に増加し、8.3%から51.7%に増加した。 ヒューマノイドを装着した物理モックORにおいて、アクターは20件の単体処理試験の14件を完了し、シーン変更後の再設計を実証した。 アンビエントAIベースの観察は、ロボットのみの観察と比較して、ロボットの行動計画を改善し、成功を高め、探索を減らすシーン状態を提供する。 熟練した成果とDTの更新をプランナーにフィードバックすることで、マルチステップタスクの成功が向上します。 本研究は,モックORにおける多段階処理タスクにおけるヒューマノイドタスク自律性の実現可能性を示す。

関連論文リスト

• Action Intent as a Bridge: Transferring Manipulation Knowledge from Human-Centric Videos to Robots [54.57844716129309]
  Action-Intent Transfer (AIT)は、人間とロボットの間で共有されるクリーンな行動表現を通じて知識を伝達する2段階の手法である。 第1段階では、AITは明示的なアクションインテントを抽出し、ビデオの操作から暗黙的なアクションインテントをアンタングルする。 第2段階では、AITはこの共有意図空間内の人間とロボットのドメインを整列し、インテントを実行可能なロボットアクションにデコードする。
  論文  参考訳（メタデータ） (2026-11-03T08:47:59Z)
• AuRA: From Atoms to Bits through Autonomous Robot Interaction [43.297705295706386]
  AuRAは、デジタル双対再構築のためのロボットインタラクションとデータ準備を自動化するシステムである。 アクティブな人的労働力とウォールタイムの収集時間を88.5%、55.4%削減する。 人間の収集したPhysTwinベースラインとは対照的に、AuRAは、既知のグリップ動作の下で将来の予測のために、9つの指標のうち7つを改善している。
  論文  参考訳（メタデータ） (2026-10-25T17:10:27Z)
• MOTIO: Agentic Skill Engineering for Reality-Grounded Humanoid Loco-Manipulation [0.0]
  MOTIOは、通常のヒューマンアクションビデオ、現実的な3Dアセット、モーションレファレンス、再利用可能なロボットスキルを、実行可能なヒューマノイド・ロコ操作プログラムに変換するエージェント・スキル・エンジニアリング・システムである。
  論文  参考訳（メタデータ） (2026-10-24T04:55:00Z)
• EgoJEPA: Beyond Retargeting for Dexterous Manipulation from Egocentric Videos [54.3385405724896]
  EgoJEPAは、エゴ中心の人間ビデオからエンボディメントに依存しない表現を学ぶ。 743.2時間から392.7時間にかけて、クロス・エボディメントの壁時計のコストを47.2%削減する。
  論文  参考訳（メタデータ） (2026-10-14T20:34:18Z)
• Physical Agentic AI: An Architecture for Orchestrating a Robot Crew with LLMs [6.2312877626161205]
  本稿では,スキルグラウンドロボットエージェントオーケストレーションのためのフレームワークであるPhysical Agentic AIを紹介する。 ロボットオーケストレーションレイヤは、スキルライブラリ、ロボット状態、名前付きロケーション、ワークフローコントラクトを非アクチュエータミッションプランナに公開する。 我々は,ガゼボで全条件で全ミッションが実行され,ドローン-UGV検索・ディスパッチミッションを評価する。
  論文  参考訳（メタデータ） (2026-08-23T23:35:31Z)
• ACE-Brain-0.5: A Unified Embodied Foundational Model for Physical Agentic AI [110.18670135256235]
  Embodied AIは、独立した知覚やアクションモジュールから、目標を理解し、計画し、進捗を監視し、経験から改善する物理的なエージェントへと移行している。 ACE-Brain-0.5は,ロボットの知性を5つの結合関数にまとめる統一的な基礎モデルである。 単一の8Bバックボーンは、最初の4つの機能をインスタンス化する: オブジェクトとアベイランスを接地し、3Dとエゴセントリックな空間関係を推論し、命令をサブゴールに分解し、ナビゲーションと操作アクションを生成し、検証と回復の進捗を推定する。
  論文  参考訳（メタデータ） (2026-07-05T17:43:06Z)
• WatchAct: A Benchmark for Behavior-Grounded Robot Manipulation [49.31386176285509]
  WatchActは、観察された人間の行動に基づくロボット操作のベンチマークである。 WatchActは4つの機能ドメインで14タスクにわたる3,000のロングホライゾンインスタンスで構成されている。 シミュレーションとFranka Research 3ロボットの両方で、現在のシステムはWatchActの解決には程遠い。
  論文  参考訳（メタデータ） (2026-06-24T23:13:56Z)
• Self-Improving Robots: End-to-End Autonomous Visuomotor Reinforcement Learning [54.636562516974884]
  模倣と強化学習において、人間の監督コストは、ロボットが訓練できるデータの量を制限する。 本研究では,自己改善型ロボットシステムのための新しい設計手法であるMEDAL++を提案する。 ロボットは、タスクの実施と解除の両方を学ぶことで、自律的にタスクを練習し、同時にデモンストレーションから報酬関数を推論する。
  論文  参考訳（メタデータ） (2023-03-02T18:51:38Z)
• ProcTHOR: Large-Scale Embodied AI Using Procedural Generation [55.485985317538194]
  ProcTHORは、Embodied AI環境の手続き的生成のためのフレームワークである。 ナビゲーション、アレンジメント、アーム操作のための6つの具体化されたAIベンチマークに対して、最先端の結果を実証する。
  論文  参考訳（メタデータ） (2022-06-14T17:09:35Z)
• Few-Shot Visual Grounding for Natural Human-Robot Interaction [0.0]
  本稿では,人間ユーザによって音声で示される,混み合ったシーンから対象物を分割するソフトウェアアーキテクチャを提案する。 システムのコアでは、視覚的な接地のためにマルチモーダルディープニューラルネットワークを使用します。 公開シーンデータセットから収集した実RGB-Dデータに対して,提案モデルの性能を評価する。
  論文  参考訳（メタデータ） (2021-03-17T15:24:02Z)

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。