Auriga：ゼロショット実体マニピュレーションのためのタスク非依存エージェントハーネス

- 視覚言語モデル(VLM)をロボットマニピュレーションの政策として直接使うのではなく、タスク非依存のエージェントハーネスとして組み込む枠組み。 - モデルは明示的な task belief 上で意思決定し、直接 tool call か合成した多段 Python プログラムで行動する。 - ハーネスが calibrated 3D measurements、finger-referenced dual-arm control、ロボットへの単一 admission gateway を提供。 - 対象タスク試行や reset なしの zero-shot manipulation を目指す。

- RoboDojo では計画と実行のギャップが大きく、arm execution を外すと GPT-6 Astra の成功率が 22.5% から 76.2% に上昇。 - Auriga はこのギャップの 68.3% を zero-shot で埋める。 - 同一モデルで reference harness の 2 倍超となる 57.7% 成功率(64.0 Score)で RoboDojo leaderboard 1 位。 - scene randomization 下でも 1 位を維持し、学習済み政策は最大 33.9% 低下。 - RoboCasa365 でも 73.2% 成功率で、VLA-assisted agents を composite tasks で最大 23.1% 上回る。

- モデルは全タスク判断を明示的な task belief 上で行い、tool call または合成 multi-step Python programs で実行。 - ハーネスが calibrated 3D measurements と finger-referenced dual-arm control を供給。 - ロボットへの単一 admission gateway で実行経路を統制。 - 動作前に simulation を一時停止し visual trajectory preview をモデルが検査。 - 実行中は宣言された stage tolerances と grasp bounds を検査し、逸脱時に停止して測定された discrepancy を返し in-place recovery を可能にする。

- RoboDojo の leaderboard で評価し、57.7% 成功率(64.0 Score)で 1 位。 - 同一モデルで reference harness と比較し 2 倍超の改善を確認。 - scene randomization 条件下でも 1 位を維持し、学習済み政策の最大 33.9% 低下と対比。 - RoboCasa365 で 73.2% 成功率を達成し、VLA-assisted agents と比較。 - 13 回の cross-task capability iterations で開発し、評価前に freeze。

- 計画-実行ギャップの定量化と、ハーネスによる緩和の有効性を示す。 - zero-shot での汎用性と scene randomization への頑健性を主張。 - ただし要旨からは、失敗事例の詳細、計算コスト、実機での検証範囲、ハーネス設計の一般化可能性についての議論は不明。 - 学習済み政策との比較は scene randomization 下の低下に限定され、他の条件での比較は要旨からは不明。

- RoboDojo および RoboCasa365 のベンチマーク論文。 - 比較対象の reference harness と VLA-assisted agents に関する研究。 - GPT-6 Astra など VLM をロボット政策に用いる研究。 - 計画-実行ギャップや task belief に基づくエージェント設計に関する研究。