身体性エージェントと共に成長する：長期的マニピュレーションスキルのための人間参加型生涯コード生成フレームワーク

- LLM によるロボット操作のコード生成フレームワーク - 人間の指示を実行可能なコードへ直接変換する枠組み - human-in-the-loop で修正を再利用可能な skill として蓄積 - 外部 memory と Retrieval-Augmented Generation (RAG) を併用 - hint mechanism により skill を動的に再利用 - 対象は long-horizon manipulation skill - 20 を超える primitive の計画を要する「build a house」等を想定

- 既存 LLM ベース code generation の課題を指摘 - 出力が noisy、固定 primitive に制約、context window が限定的 - long-horizon タスクで苦戦 - 既存の closed-loop feedback との違い - 修正知識が不適切な形式で保存され、汎化を妨げ catastrophic forgetting を招く問題に対処 - 修正を再利用可能な skill として符号化 - LLM 単独ではロボット領域の推論能力が限られ、超 long-horizon で失敗する点を人間の介入で補う - 実験で最大 27% 高い成功率、修正ラウンド 42% 効率改善を報告

- human-in-the-loop フレームワーク - 人間の修正を reusable skill として符号化 - 外部 memory を備え、修正知識を蓄積・参照 - Retrieval-Augmented Generation (RAG) で必要な skill を検索 - hint mechanism により skill を動的に再利用 - LLM によるコード生成と組み合わせ、long-horizon 計画を支援 - 詳細なアルゴリズムや memory の構造は要旨からは不明

- シミュレーションベンチマークで評価 - Ravens - Franka Kitchen - MetaWorld - 実世界設定でも検証 - 結果 - 成功率 0.93（baseline より最大 27% 高い） - 修正ラウンドで 42% の効率改善 - 20 を超える primitive を要する「build a house」等の超 long-horizon タスクを頑健に解決

- 修正知識の保存形式が汎化と catastrophic forgetting に与える影響を議論 - LLM 単独のロボット領域における推論限界と、人間による修正の必要性を指摘 - 外部 memory と RAG による skill 再利用の有効性を示唆 - 限界や失敗事例、人間介入コストの詳細は要旨からは不明

- 要旨で直接参照・比較されている研究は明示されていない - 関連手法として以下が挙げられる - LLM-based code generation for robotic manipulation - closed-loop feedback を用いた code generation - Retrieval-Augmented Generation (RAG) - human-in-the-loop 学習 - 同分野の定番として Code as Policies や SayCan 等の LLM によるロボット計画手法が次の候補