ロボット方策2026/10/26arXiv:2610.35604

RoboDoctor: 学習不要の再帰的自己改善によるロボット方策

RoboDoctor: Training-Free Recursive Self-Improvement for Robot Policies

モデルの重みを固定したまま、実行時のフィードバックで診断・行動・経験を連携させてロボット方策を適応させる学習不要フレームワークを提案し、54タスクで評価した。

詳しい要約

1. どんなもの？

- 汎用ロボット政策と language-model agents を組み合わせ、物理的相互作用の結果に応じて実行時に適応させる枠組み - 学習なし(training-free)で diagnosis・grounded action・persistent experience を連結する RoboDoctor を提案 - 3つの revision targets(harness による制御配分、intervention、operation)を扱う - 固定した model weights のまま、フィードバックで現在の行動と後続の意思決定を修正する - 実行(execution)を適応の場とみなす研究

2. 先行研究と比べてどこがすごい？

- 汎用ロボット政策と language-model agents の補完性を前提に、実行時の適応を対象化 - 学習なしで diagnosis・行動・経験の記録を統合する点が特徴 - 先行研究との具体的な比較は要旨からは不明 - 固定重みのまま実行時フィードバックで方針を改訂する点を強調 - 経験を理由・手法・結果・再利用条件つきで保持する

3. 技術・手法の肝は？

- diagnosis・grounded action・persistent experience を連結する training-free framework - harness が policy と agent の制御を配分 - intervention が支援のタイミングを決め、有用な policy 挙動を保つ - operation が観測された効果を通じて物理手法を洗練 - linked experience records に決定理由・試行手法・結果・再利用条件を保持 - フィードバックを現在の行動指針と後続決定の改訂証拠に使う

4. どうやって有効だと検証した？

- 厳選した 54 件の RoboDojo-Sim task entries のアーカイブで評価 - 5次元の平均スコア 57.10、native success rate 49.44% を達成 - 記録された相互作用で strategy changes・selective correction・grasp revision を例示 - 評価システムにおける実行時適応の特徴づけを行う - cross-episode experience の寄与を分離するには統制実験が必要と述べる

5. 議論はある？

- 得られた知見は評価対象システムでの実行時適応の特徴づけに限定 - cross-episode experience の貢献を切り分ける controlled trials が未実施 - 学習なし・固定重みでの適応可能性と限界が議論対象 - 汎用性や他タスクへの一般化は要旨からは不明 - 経験の再利用条件の設計妥当性は要旨からは不明

6. 次に読むべき論文は？

- cross-episode experience の寄与を分離する controlled trials に関連する研究 - generalist robot policies の実行時適応に関する研究 - language-model agents をロボット実行に組み込む研究 - RoboDojo-Sim を用いたベンチマーク研究 - training-free な自己改善(self-improvement)手法に関する研究

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Heyang Yu, Haomin Li, Sihang Li, Jixin Yan, Shiyun Peng, Wanqi Zhong, Tianyu Xin, Yuan Yao, Xiaoyu Tian, Yiming Li

分類: cs.RO, cs.CV

原文アブストラクト

Generalist robot policies and language-model agents provide complementary capabilities, but completing a task also requires adapting their use to the consequences of physical interaction. We study execution as a locus of adaptation: feedback guides the current action and supplies evidence for revising subsequent decisions under fixed model weights. We introduce RoboDoctor, a training-free framework that connects diagnosis, grounded action, and persistent experience across three revision targets. The harness allocates control between policy and agent; intervention determines when to assist while preserving useful policy behavior; and operation refines physical methods through observed effects. Linked experience records retain the reason for a decision, the attempted method, its outcome, and conditions for reuse. On a curated archive of 54 RoboDojo-Sim task entries, RoboDoctor achieves a five-dimension mean score of 57.10, with a native success rate of 49.44%. Recorded interactions illustrate strategy changes, selective correction, and grasp revision. These findings characterize execution-time adaptation in the evaluated system; controlled trials remain necessary to isolate the contribution of cross-episode experience.

arXivで原文を読む →arXiv概要ページ

← 論文一覧