論文の概要: SCOPE: Evolving Symbolic World for Planning in Open-Ended Environments
- arxiv url: http://arxiv.org/abs/2606.22488v1
- Date: Sun, 21 Jun 2026 13:16:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-25 17:56:57.162429
- Title: SCOPE: Evolving Symbolic World for Planning in Open-Ended Environments
- Title（参考訳）: SCOPE:オープンエンド環境におけるシンボリック・ワールドの展開
- Abstract要約: 我々は,行動計画の精細化と象徴的世界の発展を支援する自己適応型シンボリックプランニングフレームワークSCOPEを紹介する。
SCOPE はシンボリック実行シミュレータ (SESim) と自己適応型シンボリックメモリ (SASMem) の2つの相乗的モジュールから構成される。
- 参考スコア（独自算出の注目度）: 65.57374175987802
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent works have explored integrating Vision-Language Models (VLMs) with classical planners that rely on symbolic representations of planning problems to generate long-horizon plans for complex embodied tasks. However, in open-ended environments, these symbolic representations obtained from perception are often incomplete, leading to suboptimal performance. To address this, we introduce SCOPE, a self-adaptive symbolic planning framework that supports refining action plans and evolving the symbolic world, i.e., the symbolic representations of open-ended environments. SCOPE comprises two synergistic modules: a Symbolic Execution Simulator (SESim) that conducts symbolic validation and real execution of action plans, leveraging the feedback to refine the plans and evolve the symbolic world; and a Self-Adaptive Symbolic Memory (SASMem) that further distills feedback into evolving symbolic knowledge to enhance long-horizon planning and modeling of the symbolic world. Experiments in open-ended environments show that SCOPE significantly improves the completeness of the symbolic world, the success rate of plans under environment perturbations, and cross-task grounding and adaptability across diverse embodied scenarios.
- Abstract（参考訳）: 最近の研究は、複雑な実施タスクのための長期計画を生成するために計画問題の象徴的な表現に依存する古典的なプランナーとビジョン・ランゲージ・モデル(VLM)の統合について検討している。
しかし、オープンエンド環境では、知覚から得られるこれらの記号表現はしばしば不完全であり、最適以下の性能をもたらす。
そこで本研究では,行動計画の洗練と,オープンエンド環境の象徴的表現の進化を支援する自己適応型シンボリックプランニングフレームワークSCOPEを紹介する。
SCOPEは2つの相乗的モジュールから構成される: シンボリック実行シミュレータ(SESim)は、行動計画の象徴的検証と実際の実行を行い、そのフィードバックを活用して計画の洗練と象徴世界を進化させる。
オープンエンド環境での実験では、SCOPEは象徴的世界の完全性、環境摂動下での計画の成功率、様々な実施シナリオにおけるクロスタスクグラウンドと適応性を大幅に改善することが示された。
関連論文リスト
- TodoEvolve: Learning to Architect Agent Planning Systems [68.48983335970901]
TodoEvolveは、タスク固有の計画を自律的に合成し、動的に修正するメタプランニングパラダイムである。
PlanFactoryは異種計画パターンの共通インターフェースを提供する。
TodoEvolveは、経済的なAPIコストとランタイムオーバーヘッドを維持しながら、慎重に設計された計画モジュールを一貫して上回っている。
論文 参考訳（メタデータ） (2026-02-08T06:37:01Z) - Wide-Horizon Thinking and Simulation-Based Evaluation for Real-World LLM Planning with Multifaceted Constraints [39.01715254437105]
本稿では,多面制約による計画課題を解決するための多面計画(MAoP)について紹介する。
MAoPは直接計画するのではなく、ストラテジストを活用して、さまざまな側面から事前計画を行い、プランナーのための計画青写真を提供する。
論文 参考訳（メタデータ） (2025-06-14T09:37:59Z) - Exploiting Symbolic Heuristics for the Synthesis of Domain-Specific Temporal Planning Guidance using Reinforcement Learning [51.54559117314768]
最近の研究は、時間プランナーの性能向上のためのガイダンスの合成に強化学習(Reinforcement Learning, RL)を用いることを検討した。
本稿では,RLと計画段階の両方において,シンボリックスが提供した情報を活用することに焦点を当てた学習計画フレームワークの進化を提案する。
論文 参考訳（メタデータ） (2025-05-19T17:19:13Z) - Deliberate Planning in Language Models with Symbolic Representation [5.869782631289138]
構造化計画機能を備えた大規模言語モデルを備えた新しいフレームワークであるSymPlannerを紹介する。
SymPlannerは、純粋に自然言語の推論に頼るのではなく、計画プロセスを象徴的な状態空間に置きます。
反復補正(IC)は、シンボル環境からのフィードバックを利用して、これまで提案されていた行動を洗練する。
Contrastive Ranking (CR) は、それらを共同で評価することで、候補プランのきめ細かい比較を可能にする。
論文 参考訳（メタデータ） (2025-05-02T15:18:03Z) - Seeing is Believing: Belief-Space Planning with Foundation Models as Uncertainty Estimators [34.28879194786174]
オープンワールド環境における汎用的なロボット移動操作は、長い地平線、複雑な目標、部分的な観測可能性といった大きな課題を生んでいる。
これらの課題に対処するための有望なアプローチは、タスクプランナーがこれらのスキルをシーケンスして、構造化言語で指定された目標を達成する、パラメータ化されたスキルのライブラリを計画することである。
本稿では、視覚言語モデルを利用して不確実性を推定し、シンボリックグラウンド化を促進する新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2025-04-04T07:48:53Z) - Learning for Long-Horizon Planning via Neuro-Symbolic Abductive Imitation [38.72920702089471]
データ駆動学習と記号に基づく推論を統合した新しいフレームワーク textbfABductive textbfImitation textbfLearning (ABIL) を提案する。
ABILは、原観測からシンボル空間への認識を促進するための述語候補を生成する。
実験の結果,提案手法は課題関連記号による観察をうまく理解し,模倣学習を支援することが確認できた。
論文 参考訳（メタデータ） (2024-11-27T10:26:14Z) - PDDLEGO: Iterative Planning in Textual Environments [56.12148805913657]
テキスト環境における計画は、現在のモデルにおいても長年にわたる課題であることが示されている。
我々は,あるサブゴールの部分的な計画に導く計画表現を反復的に構築するPDDLEGOを提案する。
数ショットのPDDLEGOで作成するプランは,Coin Collectorシミュレーションでエンドツーエンドのプランを生成するよりも43%効率がよいことを示す。
論文 参考訳（メタデータ） (2024-05-30T08:01:20Z) - 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) - Learning Concept-Based Causal Transition and Symbolic Reasoning for Visual Planning [36.131648635051334]
ビジュアルプランニングは、人間が望ましい目標を達成するために意思決定する方法をシミュレートする。
本稿では,解釈可能で汎用的な視覚計画フレームワークを提案する。
我々のフレームワークは、未確認のタスクトラジェクトリ、未確認のオブジェクトカテゴリ、実世界のデータに一般化できることを示します。
論文 参考訳（メタデータ） (2023-10-05T05:41:21Z) - DREAMWALKER: Mental Planning for Continuous Vision-Language Navigation [107.5934592892763]
本稿では,世界モデルに基づくVLN-CEエージェントDREAMWALKERを提案する。
世界モデルは、複雑な連続環境の視覚的、位相的、動的特性を要約するために構築される。
コストのかかるアクションを実行する前に、そのような抽象的な世界で可能な計画を完全にシミュレートし、評価することができる。
論文 参考訳（メタデータ） (2023-08-14T23:45:01Z) - Learning Type-Generalized Actions for Symbolic Planning [5.281449914031083]
本稿では,与えられた実体階層を用いてシンボル動作を一般化する新しい概念を提案する。
模擬グリッド型キッチン環境において,少数の観測結果から型一般化動作を学習し,新しい状況に一般化できることが示される。
論文 参考訳（メタデータ） (2023-08-09T11:01:46Z)
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。