論文の概要: Recover, Don't Just Continue: Learning from Feedback for Physical Failure Understanding and Correction
- arxiv url: http://arxiv.org/abs/2611.15651v1
- Date: Wed, 11 Nov 2026 16:01:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.190538
- Title: Recover, Don't Just Continue: Learning from Feedback for Physical Failure Understanding and Correction
- Title(参考訳): Recover, Don't Just Continue: Learning from Feedback for Physical Failure Understanding and Correction
- Abstract要約: 身体的な脳は、なぜ実行がずれているのかを理解し、何が確実に実現できるかを特定し、決定を再検討する必要がある。
現在のインボディード・ファンデーション・モデルは、これらの能力に欠けていた。
Embodied-Correctorは、公的な証拠から監視でき、現在の状態から回復可能な障害を保持します。
- 参考スコア(独自算出の注目度): 17.491780051281545
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Multimodal large language models are regarded as the cognitive foundation of embodied intelligence, but planning from instructions alone cannot make them reliable. During execution, actions deviate from intended effects, constrained by the embodiment and environment. An embodied brain must understand why execution deviates, identify what can be reliably realized, and revise decisions using interaction experience. These correspond to causal failure localization, capability-constrained adaptation, and experience-driven revision. Current embodied foundation models largely lack these capabilities. To address this, we introduce Embodied-Corrector. We construct failure-recovery data by injecting perturbations at subtask boundaries of successful trajectories, replaying affected subtasks, and keeping failures that are observable from public evidence and recoverable from the current state. We align actions, consequences, failure causes, and recoveries into Judge-Cause-Sub-Fine supervision. Training uses evaluation-first SFT: the model learns Judge and Cause first, then Sub and Fine conditioned on accurate prefixes. Since deployment uses self-generated prefixes, evaluation errors propagate into recovery planning, and response-level rewards are too coarse to locate affected planning tokens. We therefore use OPD to internalize the planning distribution under accurate prefixes into that under self-generated ones: the model generates plans from self-generated prefixes, while a contrastive forward pass with accurate prefixes compares token probabilities to reinforce or suppress planning tokens. At deployment, this branch is removed. Experiments show stronger failure analysis and corrective planning: with a frozen VLA, composite task success improves by 6.1 percentage points; with fixed GPT-5.5 execution, manipulation and navigation tasks improve by 13.9 percentage points.
- Abstract(参考訳): マルチモーダルな大言語モデルは、インテリジェンスを具現化した認知基盤と見なされているが、指示だけではそれらを信頼できるものにすることはできない。
実行中、動作は意図された効果から逸脱し、実施形態と環境に制約される。
具体化された脳は、なぜ実行が逸脱するかを理解し、何が確実に実現できるかを特定し、相互作用経験を使って決定を改訂する必要がある。
これらは因果障害の局所化、能力制約付き適応、経験駆動リビジョンに対応している。
現在のインボディード・ファンデーション・モデルは、これらの能力に欠けていた。
これを解決するために、Embodied-Correctorを紹介します。
我々は,軌道のサブタスク境界で摂動を注入し,影響を受けるサブタスクを再生し,公的な証拠から観測可能で,現在の状態から回復可能な障害を維持することによって,障害復旧データを構築した。
私たちは、行動、結果、失敗原因、および回復を、ジャッジ・ケイズ・サブファイン監督に整合させます。
トレーニングは評価ファーストのSFTを使用し、モデルは判断と原因を最初に学習し、次に正確な接頭辞にサブとファインを条件付けする。
デプロイは自己生成プレフィックスを使用するため、評価エラーはリカバリ計画に伝播し、レスポンスレベルの報酬は、影響を受ける計画トークンを見つけるには大きすぎる。
モデルが自己生成したプレフィックスから計画を生成するのに対して、正確なプレフィックスを持つ対照的なフォワードパスは、トークンの確率を比較して、計画トークンの強化や抑制を行う。
デプロイ時に、このブランチは削除される。
凍結したVLAでは、複合タスクの成功率が6.1ポイント改善され、GPT-5.5の実行、操作およびナビゲーションタスクが13.9ポイント改善された。
関連論文リスト
- Prefix Executability: Evaluating Tool-Using Agents Beyond Final Success [44.97010235220804]
Prefix Executabilityは、ツール使用エージェントのためのトラジェクトリレベルの評価プロトコルである。
BFCL-v3 Multi-turn と ToolSandbox の成層化サンプルと,Airline/Retail ベーススプリットの完全な$3-bench でプロトコルをインスタンス化する。
論文 参考訳(メタデータ) (2026-10-29T16:58:04Z) - Of Errors and Echoes: Responsibility-Aware Credit Assignment for Tool-Use Agents [55.222414159666016]
Error-Chain-Aware Optimization (ECHO) は、責任を意識した信用割り当てフレームワークである。
ECHOは新しく導入されたエラー、継承された結果、誤り修正、そして成功した修正を区別する。
ECHOは、責任ある決定と自己引き起こしたエラーの修復に対する報酬の制約を1度に分けて、ダウンストリームの結果の共有をカウントする。
論文 参考訳(メタデータ) (2026-10-12T00:52:30Z) - PyINE: A Framework for Scalable Elicitation and Oversight via Code Execution [68.74093425009342]
推論モデルは、コストが安いが誤解を招くショートカットにデフォルトを保ちながら、タスクを解決できる。
PyINEはPythonのインスツルメンテーションプログラムを使ってスケーラブルなエレケーションと監視を行うフレームワークである。
PyINE-v1は100万近い決定論的実行トレースから構築された最初のリリースです。
論文 参考訳(メタデータ) (2026-10-03T20:03:43Z) - Dependency-Aware Reward Shaping for Agentic Reinforcement Learning [26.503729765833654]
DARS(Dependency-Aware Reward Shaping)は、前提条件関係に関連付けられた述語としてタスク進捗を表す。
各ステップを述語するアノテーションマークは、検証、無効化、または修復を行う。
DARSは、同じ予算とハーネスで訓練されたGiGPOよりも最大10ポイントの成功を改善する。
論文 参考訳(メタデータ) (2026-10-01T07:16:28Z) - EgoTSR++: Egocentric Spatiotemporal Reasoning for Task Progress Understanding [51.078675806865306]
VLM(Vision-Language Models)は、静的な視覚的理解において急速に進歩しているが、エゴセントリックなタスクがどのように進行しているかを判断しても信頼性が低い。
EgoTSR(EgoTSR)は,オーダーローバストなタスク・プログレス理解を診断・改善するための統合フレームワークである。
論文 参考訳(メタデータ) (2026-09-23T09:20:44Z) - CARE: Experience-Guided Atomic Corrective Execution for Vision-Language-Action Policies [52.32735203969873]
VLA(Vision-Language-Action)ポリシーは、ロボット操作において強力なパフォーマンスを達成するが、実行が名目上の軌道から逸脱した後も不安定なままである。
本稿では,実行時に発生する障害から学習することで回復を改善するフレームワークであるCARE(Corrective Atomic Robotic Execution)を提案する。
論文 参考訳(メタデータ) (2026-09-21T05:14:34Z) - World Models for Embodied Intelligence: From Plausible to Controllable to Actionable [100.13060753774657]
世界モデルは、隠れた状態を維持し、結果を予測し、介入を比較し、実行が期待から外れたときに適応することによって、インテリジェンスにおける知覚と意思決定を結びつける。
これは、どの予測能力が振る舞いを改善するかという、中心的な疑問を提起する。
可塑性モデルは、タスク関連時間的・幾何学的・物理的構造を保存し、制御可能なモデルは、介入がどのように構造を変えるかを予測し、アクション可能なモデルは、予測を計画、行動、学習、評価、検証、回復、データ選択において測定可能な利得に変換する。
論文 参考訳(メタデータ) (2026-09-15T06:22:42Z) - Correct Answers from Sound Reasoning: Verifiable Process Supervision for Language Models [94.68358825189738]
本稿では,予測精度と推論品質を協調的に最適化する検証済み領域の学習後フレームワークを提案する。
我々は,エンジン信号に対して推論ステップを確定的に検証できる制御テストベッドであるチェスのVPSを評価する。
VPSは、推論品質を著しく向上させながら精度を保ち、勝利率エラーを最大30%削減し、一貫性をほぼ飽和状態に回復する。
論文 参考訳(メタデータ) (2026-04-03T15:19:46Z) - Thinking Traps in Long Chain-of-Thought: A Measurable Study and Trap-Aware Adaptive Restart [27.904791075662896]
TAAR(Trap-Aware Adaptive Restart)は,部分軌道から2つの信号を予測するための診断ポリシーをトレーニングするテスト時間制御フレームワークである。
推測時、TAARは予測されたトラップセグメントの前に軌道を切断し、復号を適応的に再起動する。
実験の結果,TAARはモデルパラメータを微調整することなく推論性能を向上させることがわかった。
論文 参考訳(メタデータ) (2026-01-17T07:26:02Z) - Scene Graph-Guided Proactive Replanning for Failure-Resilient Embodied Agent [9.370683025542686]
本稿では,サブタスク境界における障害の検出と修正を行う,アクティブなリプランニングフレームワークを提案する。
AI2-THORシミュレータの実験では,実行障害発生前の意味的および空間的ミスマッチを検出する。
論文 参考訳(メタデータ) (2025-08-15T07:48:51Z)
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。