論文の概要: Effective Task Planning with Missing Objects using Learning-Informed Object Search

• arxiv url: http://arxiv.org/abs/2602.11468v2
• Date: Fri, 13 Feb 2026 13:22:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:41.38576
• Title: Effective Task Planning with Missing Objects using Learning-Informed Object Search
• Title（参考訳）: 学習インフォームド・オブジェクト・サーチを用いた行方不明者に対する効果的なタスク・プランニング
• Authors: Raihan Islam Arnob, Max Merlin, Abhishek Paudel, Benned Hedegaard, George Konidaris, Gregory J. Stein,
• Abstract要約: 我々は、新しいモデルベースのLIOSアクションを中心とした計画フレームワークを開発する。 高レベルのプランニングでは、LIOSアクションを決定論的として扱い、モデルベースの計算によって予測されるコストを計算することで、検索と実行をインターリーブするプランを生成する。 シミュレーションされたProcTHORの家庭や実世界では、検索や食事準備といったタスクの学習や学習のベースラインよりも優れています。
• 参考スコア（独自算出の注目度）: 12.369687852088859
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Task planning for mobile robots often assumes full environment knowledge and so popular approaches, like planning via the PDDL, cannot plan when the locations of task-critical objects are unknown. Recent learning-driven object search approaches are effective, but operate as standalone tools and so are not straightforwardly incorporated into full task planners, which must additionally determine both what objects are necessary and when in the plan they should be sought out. To address this limitation, we develop a planning framework centered around novel model-based LIOS actions: each a policy that aims to find and retrieve a single object. High-level planning treats LIOS actions as deterministic and so -- informed by model-based calculations of the expected cost of each -- generates plans that interleave search and execution for effective, sound, and complete learning-informed task planning despite uncertainty. Our work effectively reasons about uncertainty while maintaining compatibility with existing full-knowledge solvers. In simulated ProcTHOR homes and in the real world, our approach outperforms non-learned and learned baselines on tasks including retrieval and meal prep.
• Abstract（参考訳）: 移動ロボットのタスクプランニングは、フル環境知識を前提としており、PDDLによる計画のような一般的なアプローチでは、タスククリティカルな物体の位置が不明な場合に計画できないことが多い。 近年の学習駆動型オブジェクト検索アプローチは有効であるが,独立したツールとして運用されているため,完全なタスクプランナに簡単に組み込むことはできない。 この制限に対処するために、我々は、新しいモデルベースのLIOSアクションを中心とした計画フレームワークを開発する。 高レベルプランニングでは、LIOSアクションを決定論的として扱うため、モデルベースの計算によって予測されるコストを計算し、不確実性にもかかわらず、効果的で健全で完全な学習インフォームドタスク計画のための探索と実行をインターリーブする計画を生成する。 我々の研究は、既存のフル知識ソルバとの互換性を維持しながら、不確かさを効果的に理由付けている。 シミュレーションされたProcTHORの家庭や実世界では、検索や食事準備といったタスクの学習や学習のベースラインよりも優れています。

関連論文リスト

• Large-Language-Model-Guided State Estimation for Partially Observable Task and Motion Planning [30.00573299632629]
  本研究では,(1)特定の場所で発見される可能性が高くなること,(2)類似した物体が同一位置にあること,(2)異種物体が一緒に発見される可能性が低いこと,の2つの共通センス知識を取り入れることを提案する。 CoCo-TAMPは、シミュレーションにおける計画と実行時間の平均62.7%、実世界の実演では72.6%の削減を実現している。
  論文  参考訳（メタデータ） (2026-03-04T04:07:22Z)
• Context Matters! Relaxing Goals with LLMs for Feasible 3D Scene Planning [1.5391321019692432]
  身体的エージェントは、現実の複雑な3D環境で確実に計画し、行動する必要がある。 我々は、LLM(Large Language Models)と古典的なプランニングを融合するフレームワークであるContextMattersを紹介します。 実験の結果,LLMs+PDDLベースラインよりも52.45%成功率が向上した。
  論文  参考訳（メタデータ） (2025-06-18T19:14:56Z)
• Propose, Assess, Search: Harnessing LLMs for Goal-Oriented Planning in Instructional Videos [48.15438373870542]
  VidAssistは、インストラクショナルビデオにおけるゼロ/フェーショット目標指向の計画のために設計された統合フレームワークである。 最適な計画生成のための幅優先探索アルゴリズムを採用している。 実験によると、VidAssistは異なる目標指向の計画設定のための統一されたフレームワークを提供する。
  論文  参考訳（メタデータ） (2024-09-30T17:57:28Z)
• Unified Task and Motion Planning using Object-centric Abstractions of Motion Constraints [56.283944756315066]
  本稿では,タスクとモーションプランニングを一つの検索に統一するTAMP手法を提案する。 我々のアプローチは、オフザシェルフAIサーチの計算効率を活用して、物理的に実現可能な計画が得られるような、オブジェクト中心の動作制約の抽象化に基づいている。
  論文  参考訳（メタデータ） (2023-12-29T14:00:20Z)
• Learning adaptive planning representations with natural language guidance [90.24449752926866]
  本稿では,タスク固有の計画表現を自動構築するフレームワークであるAdaについて述べる。 Adaは、プランナー互換の高レベルアクション抽象化と、特定の計画タスク領域に適応した低レベルコントローラのライブラリを対話的に学習する。
  論文  参考訳（メタデータ） (2023-12-13T23:35:31Z)
• Planning as In-Painting: A Diffusion-Based Embodied Task Planning Framework for Environments under Uncertainty [56.30846158280031]
  具体的AIのためのタスクプランニングは、最も難しい問題の1つだ。 In-paintingとしての計画」というタスク非依存の手法を提案する。 提案するフレームワークは,様々な具体的AIタスクにおいて,有望なパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2023-12-02T10:07:17Z)
• 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)
• Efficient Learning of High Level Plans from Play [57.29562823883257]
  本稿では,移動計画と深いRLを橋渡しするロボット学習のフレームワークであるELF-Pについて紹介する。 ELF-Pは、複数の現実的な操作タスクよりも、関連するベースラインよりもはるかに優れたサンプル効率を有することを示す。
  論文  参考訳（メタデータ） (2023-03-16T20:09:47Z)

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。