HexaShell: Can Debugging Code Generalize RGB Robot Manipulation?

カートのアイテムが多すぎます

ご購入は五十タイトルがカートに入っている場合のみです。

カートに追加できませんでした。

しばらく経ってから再度お試しください。

ウィッシュリストに追加できませんでした。

しばらく経ってから再度お試しください。

ほしい物リストの削除に失敗しました。

しばらく経ってから再度お試しください。

ポッドキャストのフォローに失敗しました

ポッドキャストのフォロー解除に失敗しました

HexaShell: Can Debugging Code Generalize RGB Robot Manipulation?

無料で聴く

ポッドキャストの詳細を見る

Can a robot improve at manipulation by debugging code instead of updating neural-network weights? This episode explains how HexaShell turns robot experience into reusable tools, and what its RoboDojo score actually establishes. We cover three questions: how calibrated RGB observations become metric positions; why the reported 39.7% success rate uses category-balanced scoring; and how holding out layouts differs from holding out tasks. The experiments use a simulated dual-arm ARX X5 with head and wrist cameras, camera calibration, and proprioception. Along the way, we connect the design to Code as Policies and URAI, examine an inspectable geometric helper, and separate tool development from execution with frozen tools. The central limitation is a mismatch in task-level learning conditions: HexaShell develops tools on tasks in a category that RoboDojo's published training split reserves for transfer. For researchers building language-driven manipulation systems, the episode offers a concrete way to think about code as learned policy state. If software is part of what a robot learns, where should the training boundary be drawn — and what would convincing generalization look like?

まだレビューはありません