論文の概要: PACE: Adaptive Budget Allocation for Time-Efficient Embodied Planning

• arxiv url: http://arxiv.org/abs/2608.03034v1
• Date: Tue, 04 Aug 2026 02:29:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-05 15:30:22.997842
• Title: PACE: Adaptive Budget Allocation for Time-Efficient Embodied Planning
• Title（参考訳）: PACE: 時間効率な身体的計画のための適応的予算配分
• Abstract要約: PACEは、インターリーブされた推論と実行を可能にするフレームワークである。 Robotouilleベンチマークでは、PACEは10%の成功率に達し、ReAct+Thinkベースラインよりも67%改善されている。 その結果、タイムアウェアなアーキテクチャの革新により、推論モデルが遅延に敏感なエンボディドドメインで動作できることが証明された。
• 参考スコア（独自算出の注目度）: 14.047767081935566
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reasoning-enhanced large language models have achieved remarkable improvements in planning tasks, yet their deployment in embodied systems remains impractical due to prohibitive inference delays-often exceeding minutes per planning instance. The fundamental bottleneck stems from the serial nature of existing paradigms: models must complete all reasoning before any action execution, leaving execution time windows entirely unexploited. We introduce PACE (Planning with Adaptive Cognitive Effort), a framework that enables interleaved reasoning and execution through two key innovations: an Interleaved Think-Act architecture that pipelines cognitive processing with action execution, and a Dynamic Budget Allocator that adapts reasoning token budgets to available execution time windows. On the Robotouille benchmark using Qwen3-8B-AWQ, PACE achieves a 10% success rate-representing a 67% improvement over the ReAct+Think baseline-while delivering 6.9 times acceleration in thinking time compared to unconstrained reasoning. The framework hides 66.8% of thinking time within execution windows, demonstrating that strategic cognitive effort allocation can simultaneously improve both planning quality and time efficiency. These results provide evidence that time-aware architectural innovations enable reasoning models to operate in latency-sensitive embodied domains where they were previously impractical.
• Abstract（参考訳）: 推論強化された大規模言語モデルは、計画作業において著しく改善されているが、その実施は、計画インスタンス毎の予測遅延が禁止されているため、実行不可能なままである。 モデルはアクション実行の前にすべての推論を完了しなければなりません。 PACE(Planning with Adaptive Cognitive Effort)は,認知処理とアクション実行をパイプライン化するInterleaved Think-Actアーキテクチャと,トークン予算を利用可能な実行時間ウィンドウに適用するDynamic Budget Allocatorという,2つの重要なイノベーションを通じて,相互に推論と実行を可能にするフレームワークである。 Qwen3-8B-AWQを用いたRobotouilleベンチマークでは、PACEは10%の成功率を達成し、ReAct+Thinkベースラインよりも67%改善した。 このフレームワークは実行ウィンドウ内の思考時間の66.8%を隠蔽し、戦略的認知活動の割り当てが計画品質と時間効率の両方を同時に改善できることを示した。 これらの結果は、タイムアウェアなアーキテクチャの革新により、推論モデルが以前非現実的であった遅延に敏感な具体的ドメインで動作することが可能であることを示す。

関連論文リスト

• Dual Process Motion Planning [53.570848178455776]
  頑健な推論と学習の強みを組み合わせたデュアルプロセスアーキテクチャを導入する。 我々のフレームワークは、経験駆動型System-1'モジュールでSystem-2'コンポーネントとして最先端のシンボルソルバを統合している。
  論文  参考訳（メタデータ） (2026-09-01T13:52:12Z)
• RTNav: Towards Real-Time Zero-Shot Object Navigation [3.0484403383447085]
  RTNavは、推論レイテンシ、非同期環境のステップ、および境界計算を明示的な設計上の考慮として扱う、シンプルだが効果的なアーキテクチャである。 HM3D-v1, HM3D-v2, HM3D-OVONのリアルタイム変動について検討した。
  論文  参考訳（メタデータ） (2026-08-27T00:35:50Z)
• Beyond Test-Time Training: Learning to Reason via Hardware-Efficient Optimal Control [86.63490309209378]
  我々は、最適制御として推論を定式化し、推論時に潜在状態に対して有限水平LQR計画を行うテスト時間制御層を導入する。 アーキテクチャ層として最適制御を組み込むことは、テスト時間トレーニングを超えた推論のための効果的でスケーラブルなメカニズムを提供することを実証する。
  論文  参考訳（メタデータ） (2026-03-10T05:42:13Z)
• Fast-ThinkAct: Efficient Vision-Language-Action Reasoning via Verbalizable Latent Planning [97.29507133345766]
  我々は,動詞化可能な潜在推論により,コンパクトかつ高性能な計画を実現する効率的な推論フレームワークであるFast-ThinkActを提案する。 様々な具体的操作と推論ベンチマークの実験により、Fast-ThinkActは最大89.3%の推論遅延で強いパフォーマンスを達成することが示された。
  論文  参考訳（メタデータ） (2026-01-14T18:59:59Z)
• TimeBill: Time-Budgeted Inference for Large Language Models [12.536212788514815]
  大規模言語モデル(LLM)のための新しい時間予算推論フレームワークであるTimeBillを提案する。 より具体的には、LLMのエンドツーエンド実行時間を正確に予測する粒度応答長予測器(RLP)と実行時間推定器(ETE)を提案する。 次に、実行時間予測と所定の時間予算に基づいて、KVキャッシュ消去率を適応的に調整する、時間予算の効率的な推論手法を開発する。
  論文  参考訳（メタデータ） (2025-12-26T04:49:35Z)
• Towards Efficient Agents: A Co-Design of Inference Architecture and System [66.59916327634639]
  本稿では,エージェントアクセラレーションのための統合フレームワークであるAgentInferを提案する。 問題をAgentCollab、AgentSched、AgentSAM、AgentCompressの4つの相乗的コンポーネントに分解する。 BrowseComp-zhとDeepDiverベンチマークの実験では、これらの手法の相乗的コラボレーションを通じて、AgentInferは非効率なトークン消費を50%以上削減することを示した。
  論文  参考訳（メタデータ） (2025-12-20T12:06:13Z)
• Learning Adaptive Parallel Reasoning with Language Models [70.1745752819628]
  本稿では,適応並列推論(Adaptive Parallel Reasoning, APR)を提案する。 APRは、spawn()とjoin()操作を使用して適応的なマルチスレッド推論を可能にすることで、既存の推論メソッドを一般化する。 鍵となる革新は、親と子の両方の推論スレッドを最適化して、事前に定義された推論構造を必要とせずにタスクの成功率を高める、エンドツーエンドの強化学習戦略である。
  論文  参考訳（メタデータ） (2025-04-21T22:29:02Z)
• Haste Makes Waste: Evaluating Planning Abilities of LLMs for Efficient and Feasible Multitasking with Time Constraints Between Actions [56.88110850242265]
  本稿では,現実の調理シナリオに基づいた新しいベンチマークフレームワークRecipe2Planを紹介する。 従来のベンチマークとは異なり、Recipe2Planは並列タスク実行による調理時間を最適化するためにエージェントに挑戦する。
  論文  参考訳（メタデータ） (2025-03-04T03:27:02Z)
• Efficient Temporal Piecewise-Linear Numeric Planning with Lazy Consistency Checking [4.834203844100679]
  本稿では,プランナがLP整合性チェックを可能な限り遅延的に計算できる手法を提案する。 また,時間依存ゴールチェックをより選択的に行うアルゴリズムを提案する。 結果として得られるプランナーは、より効率的であるだけでなく、最先端の時間数値とハイブリッドプランナーよりも優れています。
  論文  参考訳（メタデータ） (2021-05-21T07:36:54Z)

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。