論文の概要: Meta-Ctrl: Guaranteed Plan Generation by Decoupling Syntactic and Semantic Constraints

• arxiv url: http://arxiv.org/abs/2608.22149v3
• Date: Fri, 28 Aug 2026 00:34:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-31 17:16:04.066871
• Title: Meta-Ctrl: Guaranteed Plan Generation by Decoupling Syntactic and Semantic Constraints
• Title（参考訳）: Meta-Ctrl: 構文制約と意味制約の分離による保証計画生成
• Abstract要約: 我々は,基本LMの計画品質を維持しつつ,符号化された制約を保証する制約付きデコードフレームワークであるtextbfMeta-Ctrl を提案する。 実際のテーブルトップロボット上で、生成したすべての計画が、その前提条件と目標を建設によって満足する様子を実演する。
• 参考スコア（独自算出の注目度）: 30.41152410996192
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: LLMs generate fluent plans for robots but routinely violate the syntactic and se8mantic constraints they must satisfy to execute, and existing remedies trade formal guarantees against plan quality: soft methods (affordance scoring, grounded decoding) give no guarantee, while symbolic planners (LLM+P) discard the LM's commonsense. We propose \textbf{Meta-Ctrl}, a constrained-decoding framework that guarantees the encoded constraints while preserving the base LM's plan quality. Meta-Ctrl introduces \emph{meta-tokens}---a compact vocabulary of grounded actions---enforcing syntax at the token level and semantics (preconditions, goals, ordering) at the action level, an exact factorization that cuts the memory of constrained decoding from over 107TB to under 2GB. With it, a small open-weight LM becomes competitive where it otherwise sits at the bottom of the leaderboard: on WAH-NL under the LoTa-Bench protocol it reaches the highest reported subgoal success rate, exceeding GPT-4's, with consistent gains across the Embodied Agent Interface. We further demonstrate it on a real tabletop robot, where every generated plan satisfies its preconditions and goals by construction. Project website: https://metactrlg.github.io
• Abstract（参考訳）: LLMはロボットのための流動的な計画を生成するが、実行するために満たさなければならない構文的制約やセマンティック制約に定期的に違反し、既存の改善は計画品質に対する正式な保証を取引する:ソフトメソッド(アフォードスコア、グラウンドデコード)は保証を与えない。 我々は,基本LMの計画品質を維持しつつ,符号化された制約を保証する制約付きデコードフレームワークである‘textbf{Meta-Ctrl} を提案する。 Meta-Ctrlは、トークンレベルでの構文とアクションレベルでのセマンティクス(条件、目標、順序)の強化、制約付きデコーディングのメモリを107TB以上から2GB以下に削減する正確な因子化を導入している。 WAH-NLでは、LoTa-Benchプロトコルの下では、GPT-4を超えると報告されたサブゴナル成功率に達し、Embodied Agent Interface全体で一貫した利得を得る。 さらに、実際のテーブルトップロボット上で、生成されたすべての計画が、その前提条件と目標を建設によって満たすことを実証する。 プロジェクトウェブサイト: https://metactrlg.github.io

関連論文リスト

• EvoPlan: Evolutionary Neuro-Symbolic Robot Planning with Spatio-Temporal Guarantees [8.493077522675994]
  本稿では,三部構成のニューロシンボリック・フレームワークを提案する。 まず、デモデータからモビリティに対する単一のグローバルな信号テンポラル論理をマイニングするオフラインプロシージャ。 第二に、進化的なPDDLプランナー: LLMは計画を提案し、修復し、プログラム的検証者はどれが生き残るかを決定する。 第三に、制約された実行ループ:プランナーの計画はウェイポイントにコンパイルされ、ウェイポイントはマイニングされた制約に対してチェックされ、プランナーは違反について再計画される。
  論文  参考訳（メタデータ） (2026-07-07T18:42:59Z)
• PRISM: : Planning and Reasoning with Intent in Simulated Embodied Environments [59.07829883257003]
  5つの集合住宅の上に建設され、PRISMは300の人間認証タスクを3つの能力レベルに構成する。 PRISMはエージェントに依存しない実行可能なアクションAPIを公開し、任意のエージェントをエンドツーエンドで評価できるようにする。
  論文  参考訳（メタデータ） (2026-05-12T04:59:47Z)
• SEVerA: Verified Synthesis of Self-Evolving Agents [12.9624447364193]
  自己進化型エージェントフレームワークは、安全性や正確性の正式な保証を提供しない。 エージェントコード生成を制約付き学習問題として定式化し、ハードな形式仕様とソフトな目的とを組み合わせてタスクユーティリティをキャプチャする。 探索はFGGMコールを含む候補パラメトリックプログラムを合成し、検証は全てのパラメータ値に対する厳しい制約に関して正当性を証明し、制約のない学習に還元する。
  論文  参考訳（メタデータ） (2026-03-26T07:32:20Z)
• 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)
• Code-as-Symbolic-Planner: Foundation Model-Based Robot Planning via Symbolic Code Generation [12.875270710153021]
  大きな言語モデル(LLM)は、サブゴールとアクションプランでテキストベースの推論チェーンを生成することができる。 LLMは最適化と制約検証のためのシンボリックプランナーとしてコードを生成することもできる。 Code-as-Symbolic-Plannerは、離散的および連続的な環境、2D/3Dシミュレーション、現実世界の設定において、強い効果と一般化性を示す。
  論文  参考訳（メタデータ） (2025-03-03T16:13:41Z)
• Test-Time Alignment for Large Language Models via Textual Model Predictive Control [63.508812485566374]
  Textual Model Predictive Control (TMPC) は、推論時に大規模言語モデルを調整するために適応された新しい予測計画フレームワークである。 TMPCは、談話レベル翻訳、長文応答生成、プログラム合成の3つの異なるセグメンテーション特性を持つタスクで評価される。 その結果、TMPCはパフォーマンスを継続的に改善し、一般性を強調している。
  論文  参考訳（メタデータ） (2025-02-28T07:24:33Z)
• From LLMs to Actions: Latent Codes as Bridges in Hierarchical Robot Control [58.72492647570062]
  我々は,制限を克服する代替アーキテクチャとして,Learningable Latent Codes as Bridges (LCB)を導入した。 methodoutperforms baselines that leverage pure language as the interface layer on tasks that requires reasoning and multi-step behaviors。
  論文  参考訳（メタデータ） (2024-05-08T04:14:06Z)
• Hierarchical Context Merging: Better Long Context Understanding for Pre-trained LLMs [61.40047491337793]
  本稿では,大規模言語モデルの制約を克服する新しいトレーニングフリースキームである階層型cOntext MERging(HOMER)を提案する。 HomeRは、長いインプットを管理可能なチャンクに分割する、分別/対数アルゴリズムを使用する。 トークン削減技術がマージ毎に先行し、メモリ使用効率が保証される。
  論文  参考訳（メタデータ） (2024-04-16T06:34:08Z)
• Chain-of-Symbol Prompting Elicits Planning in Large Langauge Models [47.210211555783836]
  自然言語計画と行動(Natala)という,一連の新しいタスクからなるベンチマークを提案する。 現在、ChatGPTのようなLLMには複雑な計画能力がないことが分かっています。 本稿では,凝縮した記号空間表現を持つ複雑な環境を表現するCoS(Chain-of-Symbol Prompting)を提案する。
  論文  参考訳（メタデータ） (2023-05-17T15:07:50Z)
• Plan, Eliminate, and Track -- Language Models are Good Teachers for Embodied Agents [99.17668730578586]
  事前訓練された大言語モデル(LLM)は、世界に関する手続き的な知識をキャプチャする。 Plan, Eliminate, and Track (PET)フレームワークはタスク記述をハイレベルなサブタスクのリストに変換する。 PETフレームワークは、人間の目標仕様への一般化のために、SOTAよりも15%改善されている。
  論文  参考訳（メタデータ） (2023-05-03T20:11:22Z)
• Modular Deep Reinforcement Learning for Continuous Motion Planning with Temporal Logic [59.94347858883343]
  本稿では,マルコフ決定過程(MDP)をモデルとした自律動的システムの運動計画について検討する。 LDGBA と MDP の間に組込み製品 MDP (EP-MDP) を設計することである。 モデルフリー強化学習(RL)のためのLDGBAベースの報酬形成と割引スキームは、EP-MDP状態にのみ依存する。
  論文  参考訳（メタデータ） (2021-02-24T01:11:25Z)

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。