論文の概要: Tru-POMDP: Task Planning Under Uncertainty via Tree of Hypotheses and Open-Ended POMDPs

• arxiv url: http://arxiv.org/abs/2506.02860v1
• Date: Tue, 03 Jun 2025 13:26:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-04 21:47:35.703443
• Title: Tru-POMDP: Task Planning Under Uncertainty via Tree of Hypotheses and Open-Ended POMDPs
• Title（参考訳）: Tru-POMDP:仮説ツリーとオープンエンディングPOMDPによる不確実性下でのタスクプランニング
• Authors: Wenjing Tang, Xinyu He, Yongxi Huang, Yunxiao Xiao, Cewu Lu, Panpan Cai,
• Abstract要約: Tru-POMDPは、Large Language Models (LLMs) を用いた構造化信念生成と原則付きPOMDP計画を組み合わせたプランナーである。 Tru-POMDP は最先端の LLM-based と LLM-tree-search のハイブリッドプランナーよりも優れていた。
• 参考スコア（独自算出の注目度）: 40.256058315328076
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Task planning under uncertainty is essential for home-service robots operating in the real world. Tasks involve ambiguous human instructions, hidden or unknown object locations, and open-vocabulary object types, leading to significant open-ended uncertainty and a boundlessly large planning space. To address these challenges, we propose Tru-POMDP, a planner that combines structured belief generation using Large Language Models (LLMs) with principled POMDP planning. Tru-POMDP introduces a hierarchical Tree of Hypotheses (TOH), which systematically queries an LLM to construct high-quality particle beliefs over possible world states and human goals. We further formulate an open-ended POMDP model that enables rigorous Bayesian belief tracking and efficient belief-space planning over these LLM-generated hypotheses. Experiments on complex object rearrangement tasks across diverse kitchen environments show that Tru-POMDP significantly outperforms state-of-the-art LLM-based and LLM-tree-search hybrid planners, achieving higher success rates with significantly better plans, stronger robustness to ambiguity and occlusion, and greater planning efficiency.
• Abstract（参考訳）: 不確実性の下でのタスクプランニングは、実世界で稼働するホームサービスロボットにとって不可欠である。 タスクには、曖昧な人間の指示、隠された、または未知のオブジェクトの位置、オープンな語彙のオブジェクトタイプが含まれており、大きなオープンな不確実性や、無限に大きな計画空間をもたらす。 これらの課題に対処するために,大規模言語モデル(LLM)を用いた構造化信念生成と原則的POMDP計画を組み合わせたプランナであるTru-POMDPを提案する。 Tru-POMDPは階層的仮説木(TOH)を導入し、LLMを体系的にクエリして、可能な世界状態と人間の目標に対する高品質な粒子の信念を構築する。 さらに、これらのLLM生成仮説に対する厳密なベイズ的信念追跡と効率的な信念空間計画を可能にするオープンエンドPOMDPモデルを定式化する。 様々なキッチン環境における複雑なオブジェクト配置タスクの実験により、Tru-POMDPは最先端のLLMベースとLLM-tree-searchハイブリッドプランナーを著しく上回り、より優れたプランでより高い成功率、あいまいさと閉塞性への強い堅牢性、計画効率の向上を実現している。

関連論文リスト

• PGPO: Enhancing Agent Reasoning via Pseudocode-style Planning Guided Preference Optimization [58.465778756331574]
  本稿では,効果的なエージェント学習のためのPGPOと呼ばれる疑似コード型計画優先最適化手法を提案する。 2つの計画指向の報酬により、PGPOは、高品質なPコードプランを生成するLLMエージェントの能力をさらに強化する。 実験により、PGPOは代表エージェントベンチマークよりも優れた性能を示し、現在のリードベースラインより優れていることが示された。
  論文  参考訳（メタデータ） (2025-06-02T09:35:07Z)
• HyperTree Planning: Enhancing LLM Reasoning via Hierarchical Thinking [109.09735490692202]
  提案するHyperTree Planning(HTP)は,高木構造プランニングアウトラインを構成する新しい推論パラダイムである。 実験ではHTPの有効性を実証し、Gemini-1.5-ProによるTravelPlannerベンチマークで最先端の精度を実現し、o1-previewよりも3.6倍の性能向上を実現した。
  論文  参考訳（メタデータ） (2025-05-05T02:38:58Z)
• Vote-Tree-Planner: Optimizing Execution Order in LLM-based Task Planning Pipeline via Voting [4.500734889060007]
  本稿では,大規模言語モデル(LLM)とタスク計画システムの相乗効果について述べる。 本稿では,計画の有効性を高めつつ冗長性を最小化するVote-Tree-Plannerを提案する。
  論文  参考訳（メタデータ） (2025-02-13T20:08:06Z)
• ConceptAgent: LLM-Driven Precondition Grounding and Tree Search for Robust Task Planning and Execution [33.252158560173655]
  ConceptAgentは、非構造化環境でのタスク実行用に設計された自然言語駆動のロボットプラットフォームである。 本研究では,1)不可能な行動の防止と回復を目的とした述語接地,2)自己反射を用いたLLM誘導モンテカルロ木探索の具体化など,欠点を抑えるために設計されたイノベーションを提案する。
  論文  参考訳（メタデータ） (2024-10-08T15:05:40Z)
• DELTA: Decomposed Efficient Long-Term Robot Task Planning using Large Language Models [5.385540718118656]
  大規模言語モデル(LLM)は多くの研究分野に革命をもたらした。 膨大な知識の収集にもかかわらず、大きな言語モデルは幻覚やドメイン情報の欠落によって実現不可能な計画を生成する可能性がある。 我々は,新しいLLMインフォームドタスク計画手法であるDELTAを紹介する。
  論文  参考訳（メタデータ） (2024-04-04T07:59:24Z)
• Consolidating Trees of Robotic Plans Generated Using Large Language Models to Improve Reliability [6.4111574364474215]
  LLM(Large Language Models)の固有の確率論的性質は、予測不可能な要素を導入している。 本稿では,多様な現実の要求やシナリオに対して,適切なロボットタスク計画を作成することを目的とした,革新的なアプローチを提案する。
  論文  参考訳（メタデータ） (2024-01-15T18:01:59Z)
• Tree-Planner: Efficient Close-loop Task Planning with Large Language Models [63.06270302774049]
  Tree-Plannerは、大きな言語モデルでタスクプランニングを3つの異なるフェーズに再構成する。 Tree-Plannerは高い効率を維持しながら最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2023-10-12T17:59:50Z)
• Embodied Task Planning with Large Language Models [86.63533340293361]
  本研究では,現場制約を考慮した地上計画のための具体的タスクにおけるTAsk Planing Agent (TaPA)を提案する。 推論の際には,オープンボキャブラリオブジェクト検出器を様々な場所で収集された多視点RGB画像に拡張することにより,シーン内の物体を検出する。 実験の結果,我々のTaPAフレームワークから生成されたプランは,LLaVAやGPT-3.5よりも大きなマージンで高い成功率が得られることがわかった。
  論文  参考訳（メタデータ） (2023-07-04T17:58:25Z)

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。