論文の概要: Reins: Frontier Multimodal Models Driving Real Robot Arms on Long-Horizon Tasks, Zero-Shot
- arxiv url: http://arxiv.org/abs/2611.16632v1
- Date: Thu, 12 Nov 2026 11:05:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.452117
- Title: Reins: Frontier Multimodal Models Driving Real Robot Arms on Long-Horizon Tasks, Zero-Shot
- Title(参考訳): 長距離作業、ゼロショットでロボットアームを駆動するフロンティアのマルチモーダルモデル
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 18.524785141444703
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Frontier models such as GPT-6.1 Sol, GPT-6 Astra and Claude Opus 5.5 can now plan and call tools, yet they still struggle to drive real robots through long-horizon, contact-rich manipulation, blind while the arm moves and while they think. We present Reins, a harness in which an off-the-shelf model operates a dual-arm robot with 3D perception tools and atomic actions that report contact and grip. The model chains actions in one call, each with a condition that must hold, stopping at the first that fails; a second instance, the narrator, watches the cameras continuously and reports what changed with every result. From images, Reins also builds a simulation-ready twin of the scene for continual policy learning. With natural-language prompts and no task-specific code, GPT-6.1 Sol succeeds in 88% of real episodes on five tasks; without the harness, it fails every shell game, taking 8 times as long. Three frontier models perform alike but differ in tracking a scene that changes while the actor thinks. Code will be released upon publication.
- Abstract(参考訳): GPT-6.1 Sol、GPT-6 Astra、Claude Opus 5.5といったフロンティアモデルでは、ツールの計画と呼び出しが可能になったが、長い水平、接触に富んだ操作、腕が動いている間は盲目、思考中は本物のロボットの運転に苦戦している。
Reinsは、市販のモデルが3D認識ツールと接触とグリップを報告するアトミックアクションを備えたデュアルアームロボットを動作させるハーネスである。
モデルは1回の呼び出しでアクションをチェーンし、それぞれに保持しなければならない条件があり、1回目は失敗し、もう1回目はナレーターがカメラを継続的に監視し、結果がすべて変わったことを報告する。
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。
自然言語のプロンプトとタスク固有のコードがないため、GPT-6.1 Solは5つのタスクで実エピソードの88%を成功させる。
3つのフロンティアモデルも同様だが、俳優が考えている間に変化するシーンを追跡する点で異なる。
コードは出版時に公開される。
関連論文リスト
- JustRUA: A Controlled Study of GPT-6 Robot-Use Agents [55.2758560206888]
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。
論文 参考訳(メタデータ) (2026-11-11T21:08:31Z) - LEASH: Stay Safe in Agentic Robotics [24.232822224853667]
エージェントロボットの安全性を評価するベンチマークであるRoboRiskを紹介する。
RoboRiskはタスクレベルのリフェール(T)、計画修正(P)、実行時ハザード(E)、インジェクション(I)、シーケンスメモリ(S)の5つのカテゴリをカバーしている。
本稿では, エージェント・ロボティクスに不可欠な安全インフラを提供するリース強化エージェント・セーフティ・ハーネス(LEASH)を提案する。
論文 参考訳(メタデータ) (2026-11-10T14:06:20Z) - Library of Hands: Fix the Hands, Not the World Model [13.133566734587205]
ワールドモデルはアクションの後にシーンがどのように変化するかを予測し、プランナーはそれを使ってゴールに達するアクションを探索する。
現在の修正では、モデルを再トレーニングしたり、トレーニングデータが必要になったり、返却時にセットアップを忘れたりする。
本研究は,世界モデルを凍結保存し,地図のみをコマンドから適用行動へ修正する学習自由度手法であるライブラリ・オブ・ハンドス(LoH)を提案する。
論文 参考訳(メタデータ) (2026-11-09T16:45:11Z) - Gnomon4D: Learning Where and When to Focus for Geometric Motion-Grounded World-Action Modeling [54.397433718845654]
Gnomon4Dは未来のビデオ、ロボットアクションを共同で生成するWAMであり、GeoDeltaはビデオアラインな4D幾何運動場である。
1つのフィールドのエンボディメントとオブジェクトによって、相互作用を示す相対的な動きを読み取ることができる。
Gnomon4DはRoboTwin2.0、VLABench、RoboDojoをリードし、実際のロボットベースラインを上回っている。
論文 参考訳(メタデータ) (2026-11-02T03:45:07Z) - 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) - 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) - PointWAM: 3D World Action Modeling for Dexterous Robotic Manipulation [74.3053660194713]
ポイントワールドアクションモデル(PointWAM)は,世界をシーン(環境)と手(俳優)に分解する3次元世界アクションモデルである。
PointWAMは、シーンと手が時間とともに3D空間でどのように進化するかを予測する。
色付きの点雲と言語命令を与えられたPointWAMは、シーンと手が時間とともに3D空間でどのように進化するかを予測し、予測ハンドモーションをロボットのアクションに再ターゲットする。
論文 参考訳(メタデータ) (2026-10-02T05:31:01Z) - Watch, Recall, Act: Always-On Robots in Concurrent Embodied Streams [25.69904729176874]
オープンエンドの世界では、ロボットは遠未来的なキューのライブストリームを見て、自分自身の遠未来的なアクションを思い出し、両腕で行動しなければならない。
3つの軽量モジュールによって強化された1つの事前訓練された0.5ドルのバックボーンは、ライブの知覚、エンボディされた状態、そしてロボット自身の過去のアクションを、動作前にバックボーンが読み取るコンテキストに変換する。
論文 参考訳(メタデータ) (2026-09-23T17:29:40Z)
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。