論文の概要: JustRUA: A Controlled Study of GPT-6 Robot-Use Agents
- arxiv url: http://arxiv.org/abs/2611.16009v1
- Date: Wed, 11 Nov 2026 21:08:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.273105
- Title: JustRUA: A Controlled Study of GPT-6 Robot-Use Agents
- Title(参考訳): JustRUA: GPT-6ロボット利用エージェントの制御に関する研究
- Abstract要約: GPT-6 アストラは固定ハーネスを介してロボットアームを直接駆動することができる。
このシンプルなハーネスは、RoboDojoシミュレーションベンチマークのスコアを大幅に上げます。
- 参考スコア(独自算出の注目度): 55.2758560206888
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: GPT-6 Astra can drive a robot arm directly through a fixed harness, and scores of such robot-use agents on RoboDojo have risen quickly since. Reported systems differ in harness and test subset and often change several designs at once, so it is hard to tell which choices produce the gains. We take these designs apart and test them in one framework, along the harness around the model, the action interface, the reuse of experience and the scene geometry given to the model. A lean harness that keeps the full episode history and stops each motion early goes a long way. Reusing experience changes how the model acts but is not a free lunch, and scene geometry helps most, even when depth is predicted from RGB alone. JustRUA starts from the official L3 harness and keeps only what matters most. Even with no learned policy, self-improvement loop or task-specific tuning, this simple harness raises the score on the RoboDojo simulation benchmark substantially, from 29.7 to 50.3.
- Abstract(参考訳): GPT-6 アストラは固定ハーネスを介してロボットアームを直接駆動することができ、ロボット使用エージェントのスコアはそれ以来急速に上昇している。
報告されたシステムは、ハーネスとテストのサブセットが異なるため、複数の設計を同時に変更することが多い。
これらの設計を分離し、モデルを取り巻くハーネス、アクションインターフェース、経験の再利用、モデルに与えられたシーン幾何学とともに、ひとつのフレームワークでテストします。
エピソードの全履歴を保持し、各動きを早期に停止するリーンハーネスは、長い道のりをたどる。
リユースエクスペリエンスは、モデルがどのように振る舞うかを変えるが、無料ランチではない。
JustRUAは公式のL3ハーネスから始まり、最も重要なものだけを保持する。
学習されたポリシーや自己改善ループ、タスク固有のチューニングがなくても、このシンプルなハーネスは、RoboDojoシミュレーションベンチマークのスコアを29.7から50.3に大きく上げます。
関連論文リスト
- Reins: Frontier Multimodal Models Driving Real Robot Arms on Long-Horizon Tasks, Zero-Shot [18.524785141444703]
Reinsは、市販のモデルがデュアルアームロボットを操作するハーネスである。
モデルは1回の呼び出しでアクションをチェーンし、それぞれが保持しなければならない条件を持ち、失敗する最初の段階で停止する。
Reinsは画像から、連続的なポリシー学習のためのシミュレーション可能な双子のシーンも作っている。
論文 参考訳(メタデータ) (2026-11-12T11:05:11Z) - Flex-RSI: Benchmarking Recursive Self-Improvement of Frontier Agents [81.63412581903059]
固定予算下での視覚・ロボティクスタスクにおけるエージェントの自己改善のためのベンチマークであるFlex-RSIを紹介する。
我々は,知覚,推論,ロボット動作,3D再構成,視覚的創造,インフラといったタスクにおけるクローズドソースおよびオープンウェイトモデルの評価を行った。
エージェントが独自のソリューションを構築する際には,自己改善が最も役立ちます。
論文 参考訳(メタデータ) (2026-11-06T03:51:20Z) - Auriga Technical Report: A Task-Agnostic Agent Harness for Zero-Shot Embodied Manipulation [62.55752327741587]
RoboDojoでは、大きな計画と実行のギャップが、高レベルのタスク決定と物理的実行を分離します。
目標タスクやリセットを伴わないゼロショット操作において,このギャップの68.3%を埋めるタスク非依存のエージェントハーネスであるAurigaを紹介する。
論文 参考訳(メタデータ) (2026-10-31T16:59:05Z) - RoboArchitect: Automating the Design of Robotic Agents with Persistent Memory [15.330295307410106]
ハーネス設計は自動化可能であることを示し、新しいセットアップのファインタニングに強力な代替手段を提供する。
RoboArchitectでは、コーディングモデルがロボットのロールアウトを観察し、障害を診断し、凍結したポリシーに関するハーネスを反復的に修正する。
モデルウェイトを更新することなく、RoboArchitectは平均的な成功率を9.7%から43.3%に引き上げている。
論文 参考訳(メタデータ) (2026-10-30T17:58:48Z) - Pretraining Knows What, Simulation Teaches How: Compositional Generalization for Agentic Robotics [16.22140960171382]
本稿では、ゼロリアルエージェントポリシー(ZAP)を紹介し、この欠落した動作スキルを教えるレシピを、単純な原始的タスクのシミュレーションで完全に導入する。
ZAPは現実世界のタスクで96.7%成功し、GPT-6 Astraをハーネスでマッチングします。
ZAPはまた、新しい物体、目標、戦略に一般化し、トレーニングを受けなかったロボットの体格をシミュレーションする。
論文 参考訳(メタデータ) (2026-10-26T17:44:34Z) - NavGPT-3: Harnessing Context in a Hierarchical Navigation Runtime [66.14176202476176]
言語モデルとOSライクなランタイムを接続するハーネスであるNavGPT-3を紹介する。
アクションポリシー NavGPT VLAは、19.28Mの例に基づいて訓練され、シーンの変化に比例して、アロケーションを使用して視覚トークンを割り当てます。
完全なハーネスで、NavGPT-3はR2R-CEに芸術の状態を設定し、自律的なエージェントを人間レベルに持ち込む。
論文 参考訳(メタデータ) (2026-10-07T18:45:56Z) - Robo-Harness K1: Harnessing Robot-Use Agents via Perception Augmentation [61.15247763568461]
本稿では,ロボット利用エージェントフレームワークであるRobo-Harness K1を紹介する。
一致した LIBERO-PRO タスクでは、Gemini 3.7 Flash with K1 が 77.8% に達し、GPT-6 Astra の 61.1% を RGB のみのハーネスで上回った。
RoboTwin では Easy で 32.0%、Hard で 28.0% を達成し、視覚的および環境的な摂動に対するレジリエンスを示している。
論文 参考訳(メタデータ) (2026-09-24T11:16:18Z)
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。