論文の概要: Do Agentic Policies Need to Look at Every Step? Geometric Abstraction for Reasoning and Action

• arxiv url: http://arxiv.org/abs/2611.05058v1
• Date: Tue, 03 Nov 2026 15:22:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-07 14:42:25.991563
• Title: Do Agentic Policies Need to Look at Every Step? Geometric Abstraction for Reasoning and Action
• Title（参考訳）: エージェントポリシーはすべてのステップを見る必要があるか? 推論とアクションのための幾何学的抽象化
• Abstract要約: マルチモーダル言語モデルはロボットのシーンを直接推論することができるが、対話のすべての段階において、生の視覚的観察を再解釈する必要があるかどうかは不明である。 本稿では,画像からテキスト,シンボルへの定期的な空間的推論を3次元幾何学的抽象化を通じて,観察から局所的にリフレッシュし,言語モデルで直接読むことを提案する。
• 参考スコア（独自算出の注目度）: 6.656937862982288
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent multimodal language models can reason directly about robot scenes, but it is unclear whether they need to repeatedly reinterpret raw visual observations at every step of an interaction. We propose shifting routine spatial reasoning from images to text and symbols through a 3D geometric abstraction that is refreshed locally from observations and read directly by the language models. Specifically, our interface represents scene geometry via typed, evidence-aware symbolic references to object parts, grounds them from calibrated RGB-D, and returns compact textual checkpoints with metric residuals after each action. Symbolic task structure can thus be reused across decisions while metric values are rebound to the current scene, with direct visual reasoning invoked only on demand. Across offline policy synthesis and continuous online execution, reasoning over grounded text and symbols improves multi-step manipulation completion while substantially reducing repeated multimodal queries, positioning explicit geometric state as an effective substrate for agentic robot policies.
• Abstract（参考訳）: 近年のマルチモーダル言語モデルはロボットシーンを直接推論できるが、対話の各段階において生の視覚的観察を再解釈する必要があるかどうかは不明である。 本稿では,画像からテキスト,シンボルへの定期的な空間的推論を3次元幾何学的抽象化を通じて,観察から局所的にリフレッシュし,言語モデルで直接読むことを提案する。 具体的には,入力されたオブジェクト部品に対するエビデンス対応のシンボル参照によるシーンジオメトリを表現し,RGB-Dの校正を根拠として,各アクションの後にメートル法的残差を持つコンパクトテキストチェックポイントを返却する。 したがって、メタボリックなタスク構造は、要求に応じてのみ直接視覚的推論が実行され、メトリック値が現在のシーンにリバウンドしている間に、意思決定全体で再利用することができる。 オフラインのポリシー合成と連続的なオンライン実行を通じて、接地されたテキストとシンボルの推論により、反復的なマルチモーダルクエリを著しく削減し、エージェントロボットポリシーの効果的な基盤として、明示的な幾何学的状態を位置づけながら、多段階の操作補完を改善する。

関連論文リスト

• Lie Routing Vision Language Models for View-Robust 3D Understanding [58.52053229072666]
  ビューロバストな3D理解のためのLieルーティングフレームワークLieVLMを紹介する。 Lieルーティングは、プロジェクションされた機能にローカル$mathrmSO(3)$変換を適用することで、視覚表現に適応する。 3次元キャプション、接地、検出、空間推論の実験は、加算核融合よりも一貫した改善を示した。
  論文  参考訳（メタデータ） (2026-11-01T23:56:37Z)
• MolmoSpaces-CommonSense: Evaluating Commonsense in Robotic Manipulation Policies [52.24326990529166]
  認知科学に根ざしたロボット操作のための推論過程の分類法を導入する。 ロボットタスクの新たなベンチマークである MolmoSpaces-CommonSense を用いて,この分類を運用する。 モデルタイプとアーキテクチャをまたいだコモンセンス推論において、一貫した失敗を観察します。
  論文  参考訳（メタデータ） (2026-10-30T07:42:42Z)
• DualManip: Agentic Dynamic Manipulation via Dual-Path Semantic Reasoning and Geometric Adaptation [56.09942267971931]
  視覚言語モデル(VLM)は、ロボット操作のオープンボキャブラリ推論を可能にするが、高い推論遅延は動的シーンでの応答性を制限している。 応答的幾何適応から頻繁な意味推論を分離するデュアルパスフレームワークであるDualManipを提案する。 実世界の評価は、非剛性変形、調音再構成、剛性運動、高精度アセンブリを含む6つの操作タスクにまたがる。
  論文  参考訳（メタデータ） (2026-09-25T10:57:02Z)
• StereoPatch: Patch-Aligned RGB-Depth Fusion for Spatial Perception in Robot Manipulation [4.871965587776022]
  我々はStereoPatchを紹介した。これはパッチアラインなRGB深度表現で、登録されたメートル法をアクション予測に使用するRGBパッチに直接結合する。 共有2次元パッチグリッドでは、非対称なクロスアテンションは、アクション復号前に対応するRGB機能に深度情報を組み込む。 StereoPatchは6つの実ロボットタスクの中で、外観のみ、幾何学のみ、生のRGB-D、レイトフュージョンベースラインよりもクローズドループの成功を達成している。
  論文  参考訳（メタデータ） (2026-09-14T13:01:25Z)
• ArtLang: Structured Language-to-Kinematics Grounding for Articulated 3D Actuation [22.43942785482678]
  永続的再構成資産のオープン語彙制御のためのフレームワークであるArtLangを提案する。 ArtLangは、セマンティックな調音グラフとして資産を表し、その表面を言語の特徴とグラフ制約された動きで拡張する。
  論文  参考訳（メタデータ） (2026-08-15T21:39:47Z)
• Generalizable Geometric Prior and Recurrent Spiking Feature Learning for Humanoid Robot Manipulation [90.90219129619344]
  本稿では,スパイキング機能を備えたR-prior-S, Recurrent Geometric-priormodal Policyを提案する。 物理的現実の高レベル推論を基礎として、軽量な2次元幾何学的帰納バイアスを利用する。 ロボット行動生成におけるデータ効率問題に対して,再帰的適応スパイクネットワークを導入する。
  論文  参考訳（メタデータ） (2026-01-13T23:36:30Z)
• ICGNet: A Unified Approach for Instance-Centric Grasping [42.92991092305974]
  オブジェクト中心の把握のためのエンドツーエンドアーキテクチャを導入する。 提案手法の有効性を,合成データセット上での最先端手法に対して広範囲に評価することにより示す。
  論文  参考訳（メタデータ） (2024-01-18T12:41:41Z)
• Reconstructing Interactive 3D Scenes by Panoptic Mapping and CAD Model Alignments [81.38641691636847]
  エンボディエージェントの観点から,シーン再構築の問題を再考する。 rgb-dデータストリームを用いてインタラクティブシーンを再構築する。 この再構成されたシーンは、密集したパノプティカルマップのオブジェクトメッシュを、部分ベースのCADモデルに置き換える。
  論文  参考訳（メタデータ） (2021-03-30T05:56:58Z)

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。