論文の概要: GraphThink: Graph-Enhanced LLM Thinking for Long-Horizon Embodied Task Planning
- arxiv url: http://arxiv.org/abs/2608.07905v1
- Date: Sat, 08 Aug 2026 04:05:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-11 19:16:36.556971
- Title: GraphThink: Graph-Enhanced LLM Thinking for Long-Horizon Embodied Task Planning
- Title（参考訳）: GraphThink: 長期的なタスク計画のためのグラフ強化LDM思考
- Abstract要約: LLMをベースとしたプランナーを用いた身体的エージェントは、しばしば身体的な幻覚、長期的タスクへの一般化の欠如、環境意識の欠如に悩まされる。
イベント駆動型リプランニングのための環境記憶を維持するために,ロバストな計画のための構造化知識とシーングラフを提供するためのタスクグラフを統合する新しいフレームワークであるGraphThinkを提案する。
- 参考スコア（独自算出の注目度）: 25.193747277080394
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Embodied agents using LLM-based planners often struggle with physical hallucinations, poor generalization to long-horizon tasks, and lack of environmental awareness. We propose GraphThink, a novel framework that integrates a task graph to provide structured knowledge for robust planning and a scene graph to maintain environmental memory for event-driven replanning. Specifically, the task graph guides LLM thinking through contextual prompting and iterative refinement, effectively mitigating planning hallucinations. Furthermore, within the GRPO framework, the task graph offers delicate reward design to train the LLM planner, enhancing long-horizon planning capabilities and improving generalization. Finally, an event-driven replanning module, powered by the scene graph, enables closed-loop environment awareness and error correction. GraphThink achieves state-of-the-art performance on the ALFRED benchmark. In particular, our high-level planner surpasses leading API-based LLMs on both the validation set and held-out long-horizon tasks, underscoring its robust zero-shot and few-shot capabilities. Additional evaluations further demonstrate strong out-of-distribution generalization to novel tasks and environments.
- Abstract（参考訳）: LLMをベースとしたプランナーを用いた身体的エージェントは、しばしば身体的な幻覚、長期的タスクへの一般化の欠如、環境意識の欠如に悩まされる。
イベント駆動型リプランニングのための環境記憶を維持するために,ロバストな計画のための構造化知識とシーングラフを提供するためのタスクグラフを統合する新しいフレームワークであるGraphThinkを提案する。
特に、タスクグラフは、文脈的プロンプトと反復的洗練を通じてLLM思考をガイドし、プランニング幻覚を効果的に緩和する。
さらに、GRPOフレームワーク内では、LLMプランナを訓練するための微妙な報酬設計、長期計画能力の向上、一般化の改善を提供する。
最後に、シーングラフを利用したイベント駆動のリプランングモジュールにより、クローズドループ環境の認識とエラー修正が可能になる。
GraphThinkはALFREDベンチマークで最先端のパフォーマンスを達成する。
特に、当社のハイレベルプランナは、バリデーションセットとホールトアウトのロングホライゾンタスクの両方において、APIベースのLLMを抜いて、堅牢なゼロショット機能と少数ショット機能を強調しています。
さらなる評価により、新しいタスクや環境への配当の強い一般化が示される。
関連論文リスト
- PlanningBench: Generating Scalable and Verifiable Planning Data for Evaluating and Training Large Language Models [52.48858778580074]
計画は大規模言語モデル(LLM)の基本的な機能である
PlanningBenchは、評価とトレーニングの両方のためのスケーラブルで多様な検証可能な計画データを生成するためのフレームワークである。
論文 参考訳（メタデータ） (2026-05-20T08:10:15Z) - Embodied Task Planning via Graph-Informed Action Generation with Large Lanaguage Model [6.302973995986435]
GiGは、Graph-in-Graphアーキテクチャを使ってエージェントのメモリを具体化する新しい計画フレームワークである。
これらのグラフの埋め込みをクラスタ化することにより、このフレームワークは構造を意識した事前の検索を可能にする。
本フレームワークは,Robotouille Synchronous,Robotouille Asynchronous,ALFWorldの3つの具体的計画ベンチマーク上で評価する。
論文 参考訳（メタデータ） (2026-01-29T15:18:58Z) - Plan-and-Act: Improving Planning of Agents for Long-Horizon Tasks [36.63527489464188]
Plan-and-Actは、大規模言語モデル(LLM)に明示的なプランニングを組み込んだフレームワークである。
Plan-and-Actは、ユーザ目標を達成するための構造化された高レベルのプランを生成するPlannerモデルと、これらのプランを環境固有のアクションに変換するExecutorモデルで構成される。
We present a state-of-the-art 57.58% success rate on the WebArena-Lite benchmark and a text-only state-of-the-art 81.36% success rate on WebVoyager。
論文 参考訳（メタデータ） (2025-03-12T17:40:52Z) - Plan-over-Graph: Towards Parallelable LLM Agent Schedule [53.834646147919436]
大規模言語モデル(LLM)はタスク計画の推論において例外的な能力を示した。
本稿では,まず実生活のテキストタスクを実行可能なサブタスクに分解し,抽象的なタスクグラフを構築する,新しいパラダイムであるプランオーバーグラフを提案する。
モデルはこのタスクグラフを入力として理解し、並列実行計画を生成する。
論文 参考訳（メタデータ） (2025-02-20T13:47:51Z) - 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) - VeriGraph: Scene Graphs for Execution Verifiable Robot Planning [33.8868315479384]
本稿では,ロボット計画のための視覚言語モデル(VLM)を統合するフレームワークであるVeriGraphを提案する。
VeriGraphはシーングラフを中間表現として使用し、キーオブジェクトと空間関係をキャプチャして、計画検証と改善を改善する。
提案手法は,多様な操作シナリオにおけるタスク完了率を大幅に向上させ,言語ベースタスクでは58%,画像ベースタスクでは30%,ベースラインメソッドでは58%向上させる。
論文 参考訳（メタデータ） (2024-11-15T18:59:51Z) - Dynamic Planning for LLM-based Graphical User Interface Automation [48.31532014795368]
LLMベースのGUIエージェントのための動的思考計画(D-PoT)と呼ばれる新しいアプローチを提案する。
D-PoTは環境フィードバックと実行履歴に基づいて計画の動的調整を行う。
実験の結果、提案されたD-PoTは強いGPT-4Vベースラインを+12.7%上回った。
論文 参考訳（メタデータ） (2024-10-01T07:49:24Z) - AgentGen: Enhancing Planning Abilities for Large Language Model based Agent via Environment and Task Generation [81.32722475387364]
大規模言語モデルに基づくエージェントが注目され、ますます人気が高まっている。
計画能力は LLM ベースのエージェントの重要な構成要素であり、通常は初期状態から望ましい目標を達成する必要がある。
近年の研究では、専門家レベルの軌跡を指導訓練用LLMに活用することで、効果的に計画能力を向上させることが示されている。
論文 参考訳（メタデータ） (2024-08-01T17:59:46Z) - Learning to Plan for Retrieval-Augmented Large Language Models from Knowledge Graphs [59.76268575344119]
知識グラフ(KG)から得られた計画データを用いて,大規模言語モデル(LLM)計画能力を向上するための新しいフレームワークを提案する。
KGデータで微調整されたLLMは、計画能力を向上し、検索を含む複雑なQAタスクを処理するのがより適している。
論文 参考訳（メタデータ） (2024-06-20T13:07:38Z) - Can Graph Learning Improve Planning in LLM-based Agents? [61.47027387839096]
言語エージェントにおけるタスクプランニングは、大規模言語モデル(LLM)の開発とともに重要な研究トピックとして浮上している。
本稿では,課題計画のためのグラフ学習に基づく手法について検討する。
我々のグラフ学習への関心は、注意のバイアスと自己回帰的損失が、グラフ上の意思決定を効果的にナビゲートするLLMの能力を妨げているという理論的な発見に起因している。
論文 参考訳（メタデータ） (2024-05-29T14:26:24Z) - 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)
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。