論文の概要: A Controlled Study of Models, Skills, Feedback, and Curriculum in Agentic Robotics
- arxiv url: http://arxiv.org/abs/2611.09030v1
- Date: Fri, 06 Nov 2026 06:05:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-09 22:29:06.808505
- Title: A Controlled Study of Models, Skills, Feedback, and Curriculum in Agentic Robotics
- Title(参考訳): エージェントロボティクスにおけるモデル・スキル・フィードバック・カリキュラムの制御に関する研究
- Abstract要約: エージェントロボットの自己学習ループを,9つの操作課題にまたがる制御シミュレーション研究により検討した。
実験データによると、ボトルネックは十分な情報へのアクセスではなく、適切なポリシー更新に解釈することが少なくない。
- 参考スコア(独自算出の注目度): 24.60827522272474
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Agentic robotics asks coding agents to implement and iteratively improve robot policies from simulated and real-world physical interactions. We study the self-learning loop of agentic robotics through a controlled simulation study spanning nine manipulation tasks, 631 different experiment configurations, and 28K coding agent rollouts, systematically varying model capability, skill priors, feedback structure, and curriculum. The experiment data suggests that the bottleneck is often not the access to sufficient information, but interpreting it into the right policy update. Across these factors, a successful self-learning loop depends on how effectively agents attribute failures, reason task-relevant spatial and geometric structure, and selectively restructure code to improve policies.
- Abstract(参考訳): エージェントロボットは、シミュレーションと現実世界の物理的相互作用からロボットポリシーを実装し、反復的に改善するようコーディングエージェントに求める。
9つの操作タスク、631の異なる実験構成、28K符号化エージェントのロールアウト、体系的に異なるモデル能力、スキル優先、フィードバック構造、カリキュラムにまたがるエージェントロボットの自己学習ループについて検討した。
実験データによると、ボトルネックは十分な情報へのアクセスではなく、適切なポリシー更新に解釈することが少なくない。
これらの要因によって、自己学習ループの成功は、エージェントの属性の失敗、タスク関連空間的および幾何学的構造、そしてポリシーを改善するために選択的にコードを再構成する方法に依存する。
関連論文リスト
- RLE-Bench: A Qualifying Exam for Coding Agents as Robot Learning Engineers [15.762203715830955]
エージェントは、異質なアーティファクトを構築し、統合し、診断し、改善しなければならない。
RLE-Benchは、インタラクティブ制御、ポリシー学習、知覚と推定、機械設計の4つのロボット開発にまたがるロボット学習タスクのベンチマークである。
我々は、エージェントが訓練した政策エージェントに達成した成功率、ハーネスエージェントの構築、そしてエージェントが設計した機械構造から、コーディングエージェントが提出したアーティファクトを評価するために、多様なタスク固有のメトリクスを使用します。
論文 参考訳(メタデータ) (2026-09-28T03:16:09Z) - Learning Causal Structure Distributions for Robust Planning [53.753366558072806]
構造情報の不確実性を考慮しながら,機能的関係を学習することで,より堅牢な力学モデルがもたらされることがわかった。
これは、因果構造を無視し、ロボットシステムにおける相互作用の空間性を活用するのに失敗する一般的なモデル学習手法とは対照的である。
本稿では,本モデルを用いてロボットの力学を学習し,新しい環境下での新たな作業を行うためのサンプリング・ベース・プランナーを併用することを提案する。
論文 参考訳(メタデータ) (2025-08-08T22:43:17Z) - Simulation-Aided Policy Tuning for Black-Box Robot Learning [47.83474891747279]
本稿では,データ効率の向上に着目した新しいブラックボックスポリシー探索アルゴリズムを提案する。
このアルゴリズムはロボット上で直接学習し、シミュレーションを追加の情報源として扱い、学習プロセスを高速化する。
ロボットマニピュレータ上でのタスク学習の高速化と成功を,不完全なシミュレータの助けを借りて示す。
論文 参考訳(メタデータ) (2024-11-21T15:52:23Z) - Active Exploration in Bayesian Model-based Reinforcement Learning for Robot Manipulation [8.940998315746684]
ロボットアームのエンドタスクに対するモデルベース強化学習(RL)アプローチを提案する。
我々はベイズニューラルネットワークモデルを用いて、探索中に動的モデルに符号化された信念と情報の両方を確率論的に表現する。
実験により,ベイズモデルに基づくRL手法の利点が示された。
論文 参考訳(メタデータ) (2024-04-02T11:44:37Z) - RoboGen: Towards Unleashing Infinite Data for Automated Robot Learning via Generative Simulation [68.70755196744533]
RoboGenはジェネレーティブなロボットエージェントで、ジェネレーティブなシミュレーションを通じて、さまざまなロボットのスキルを自動的に学習する。
我々の研究は、大規模モデルに埋め込まれた広範囲で多目的な知識を抽出し、それらをロボット工学の分野に移す試みである。
論文 参考訳(メタデータ) (2023-11-02T17:59:21Z) - Robot Fine-Tuning Made Easy: Pre-Training Rewards and Policies for
Autonomous Real-World Reinforcement Learning [58.3994826169858]
ロボット強化学習のためのリセット不要な微調整システムであるRoboFuMEを紹介する。
我々の洞察は、オフラインの強化学習技術を利用して、事前訓練されたポリシーの効率的なオンライン微調整を確保することである。
提案手法では,既存のロボットデータセットからのデータを組み込んで,目標タスクを3時間以内の自律現実体験で改善することができる。
論文 参考訳(メタデータ) (2023-10-23T17:50:08Z) - Reinforcement Learning Experiments and Benchmark for Solving Robotic
Reaching Tasks [0.0]
強化学習はロボットアームによる到達タスクの解決に成功している。
ハイドサイト体験再生探索技術により報奨信号の増大が, オフ・ポリティクス・エージェントの平均リターンを増加させることが示されている。
論文 参考訳(メタデータ) (2020-11-11T14:00:49Z)
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。