論文の概要: CLAMP: Constrained Decoding for Vision-Language Embodied Planning

• arxiv url: http://arxiv.org/abs/2609.08602v1
• Date: Tue, 08 Sep 2026 11:38:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.638373
• Title: CLAMP: Constrained Decoding for Vision-Language Embodied Planning
• Title（参考訳）: CLAMP:ビジョンランゲージ実施計画のための制約付きデコーディング
• Abstract要約: 身体的プランニングは、指示や視覚的な観察を実行可能なアクションシーケンスに変換するために、ヴィジュアル・アヘッド・モデル(VLM)にますます依存している。 本稿では,シーンエビデンスを凍結VLMプランナの復号時間制約に変換するマルチモーダル制約グラウンドフレームワークであるCLAMPを紹介する。
• 参考スコア（独自算出の注目度）: 33.24787313336141
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Embodied planning increasingly relies on vision-language models (VLMs) to translate instructions and visual observations into executable action sequences. However, fluent plans are not always executable. A VLM may refer to objects that are not visually observed, select actions whose required affordances are unavailable, or violate syntax and action constraints. We introduce CLAMP, a multimodal constraint-grounding framework that turns scene evidence into decoding-time constraints for a frozen VLM planner. CLAMP uses the initial observation to restrict object references to those supported by the scene, while a provided symbolic action model specifies state transitions and goals. During decoding, hard masks eliminate invalid next-token candidates, while a Hidden Markov Model (HMM)-based world-state lookahead module reweights the probabilities of the remaining feasible candidates based on action preconditions and goal reachability. This allows the planner to retain the VLM's language prior while preventing visually unsupported, unsafe, or infeasible candidates from entering the plan. For unseen tasks and environments, CLAMP adapts the HMM at test time using label-free continuations sampled from the frozen VLM. Experiments on VLABench, SafeAgentBench, and TaPA show that scene-grounded constraints improve object grounding and safety, while most remaining failures stem from perception errors or misaligned constraint specifications.
• Abstract（参考訳）: 身体的計画は、指示や視覚的な観察を実行可能なアクションシーケンスに変換するために視覚言語モデル(VLM)にますます依存している。 しかし、流動的な計画は常に実行可能であるとは限らない。 VLMは、視覚的に観察されていないオブジェクトを指したり、必要な余裕のないアクションを選択したり、構文やアクションの制約に違反したりすることができる。 本稿では,シーンエビデンスを凍結したVLMプランナの復号時間制約に変換するマルチモーダル制約グラウンドフレームワークであるCLAMPを紹介する。 CLAMPは、初期観察を使用して、シーンによってサポートされているオブジェクトへのオブジェクト参照を制限する一方、提供されたシンボルアクションモデルは状態遷移とゴールを指定する。 復号中、ハードマスクは不正な次点候補を排除し、HMM(Hidden Markov Model)ベースの世界状態のルックアヘッドモジュールは、アクション前提条件とゴール到達性に基づいて、残りの実行可能な候補の確率を再評価する。 これにより、プランナーはVLMの言語を事前に保持し、視覚的にサポートされていない、安全でない、あるいは実現不可能な候補が計画に入るのを防ぐことができる。 見えないタスクや環境のために、CLAMPは凍結したVLMからサンプリングされたラベルなし継続を使ってテスト時にHMMを適応する。 VLABench、SafeAgentBench、TaPAの実験では、シーングラウンドの制約はオブジェクトのグラウンドと安全性を改善するが、残るほとんどの障害は認識エラーや不整合制約仕様に由来する。

関連論文リスト

• VLA-Corrector: Stage-Aware Observable State Understanding for Prompt-Based Closed-Loop Recovery of Vision-Language-Action Policies [12.698552476812855]
  VLA(Vision-Language-Action)ポリシーによる長距離ロボット操作は、実行時の逸脱に対して脆弱である。 本稿では,固定VLAポリシのクローズループ修正を可能にする,ステージアウェアの故障検証とPromptリカバリフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-09-06T09:50:30Z)
• Plan Along the Way: Event-Triggered Foundation-Model Planning for TAMP Execution in Partially Observable Manipulation [1.37013665345905]
  ROBUST TAMPは、リアクティブTAMPのためのモジュール式LLM/VLM誘導計画フレームワークである。 システムは、完了アクション履歴と構造化されたリプランイベントコンテキストを用いて、可視的なシーン状態とリプランを再構築する。 6つのRLBench/CoppeliaSimキッチンと、非ターゲットオブジェクト発見、関節-コンテナ相互作用、時間的操作を含むグリル変種で評価を行う。
  論文  参考訳（メタデータ） (2026-08-28T08:44:47Z)
• Explicit Language Memory for Long-Horizon Planning in Vision-Language-Action Models [4.644589778994777]
  視覚言語アクション(VLA)モデルは、視覚知覚、言語理解、ロボット制御を接続するための統一的なパラダイムを提供する。 本稿では,言語メモリモジュールを明示した階層型長水平VLAアーキテクチャを提案する。 提案手法を複数のシミュレーション環境で評価し,実際のロボットプラットフォーム上でシミュレート・トゥ・リアルな実験を行う。
  論文  参考訳（メタデータ） (2026-08-05T12:32:15Z)
• WorldScape Policy 2.0: Empowering Steerable World Action Modeling with Reasoning-Augmented Memory [50.19449886428936]
  We introduced WorldScape Policy 2.0, a controllable WAM with reasoning-augmented long long-term memory。 検索された履歴は、認識と自己回帰的に生成された計画トークンを増大させ、自律的な計画のための暗黙のサブゴール条件をもたらす。 シミュレーションと実世界のプラットフォームにおける実験は、長期の自律計画、きめ細かい指示、文脈内適応において優れた能力を示す。
  論文  参考訳（メタデータ） (2026-07-21T08:25:37Z)
• TAG: Target-Agnostic Guidance for Stable Object-Centric Inference in Vision-Language-Action Models [59.13964209628383]
  VLA(Vision-Language-Action)ポリシーは、言語指示や視覚的な観察をロボット行動にマッピングする上で大きな進歩を見せている。 本稿では,VLA政策における乱れや外見に起因したバイアスを明示的に軽減する単純な推論時ガイダンス機構であるTAG(Target-Agnostic Guidance)を提案する。 我々は, LIBERO, LIBERO-Plus, VLABenchなどの標準操作ベンチマーク上でTAGを評価し, クラッタ下での堅牢性を一貫して改善し, ニアミスや不正なオブジェクト実行を減らす。
  論文  参考訳（メタデータ） (2026-03-25T17:56:32Z)
• Beyond Short-Horizon: VQ-Memory for Robust Long-Horizon Manipulation in Non-Markovian Simulation Benchmarks [96.60530830276281]
  RuleSafeは、スケーラブルなLLM支援シミュレーションフレームワーク上に構築された、新しいオペレーティングベンチマークである。 VQ-Memoryはベクトル量子化変分オートエンコーダを用いたコンパクトで構造化された時間表現である。
  論文  参考訳（メタデータ） (2026-03-10T11:13:54Z)
• V-CAGE: Context-Aware Generation and Verification for Scalable Long-Horizon Embodied Tasks [6.820118518027692]
  V-CAGEは、大規模なセマンティックアライメントデータセットを生成するクローズドループフレームワークである。 本研究では,シーン合成における幾何学的整合性を実現する文脈認識型インスタンス化機構を提案する。 また、階層的な命令分解モジュールを用いて、抽象意図と低レベル制御のギャップを埋める。
  論文  参考訳（メタデータ） (2026-01-21T16:41:51Z)
• PSALM-V: Automating Symbolic Planning in Interactive Visual Environments with Large Language Models [22.688086293676328]
  視覚環境における象徴的行動意味論(プレコンディションとポストコンディション)を誘導できる最初の自律型ニューロシンボリック学習システムPSALM-Vを提案する。 PSALM-Vは、専門家のアクション定義なしで信頼できるシンボリックプランニングを行い、LSMを使って計画と候補シンボリックセマンティクスを生成する。
  論文  参考訳（メタデータ） (2025-06-25T02:44:20Z)
• PIN: Positional Insert Unlocks Object Localisation Abilities in VLMs [55.8550939439138]
  VLM(Vision-Language Models)は、大きな言語モデルと視覚システムを統合することで、大きな可能性を秘めている。 これらのモデルは、主にキャプションを含むマルチモーダルデータに対するトレーニングのため、オブジェクトローカライゼーションの基本的なコンピュータビジョンタスクにおいて課題に直面している。 本稿では,空間的プロンプトであるPIN(Input-Agnostic Positional Insert)を導入する。 我々のPINモジュールは、新しい出力ヘッドを必要とせずに、合成データに対する単純な次トーケン予測タスクで訓練されている。
  論文  参考訳（メタデータ） (2024-02-13T18:39:18Z)
• CAPE: Corrective Actions from Precondition Errors using Large Language Models [8.547766794082184]
  本研究では,計画中の条件誤差を解決するための修正行動を提案する新しい手法を提案する。 CAPEは、アクション前提条件からの少数ショット推論を活用することにより、生成されたプランの品質を改善する。 そこでCAPEはSayCanに比べて76.49%の精度でタスク計画の正しさを向上する。
  論文  参考訳（メタデータ） (2022-11-17T23:14:51Z)
• Language Models as Zero-Shot Planners: Extracting Actionable Knowledge for Embodied Agents [111.33545170562337]
  自然言語で表現された高レベルなタスクを、選択された実行可能なステップのセットに基底付ける可能性について検討する。 事前学習したLMが十分に大きく、適切に誘導された場合、ハイレベルなタスクを効果的に低レベルな計画に分解できることがわかった。 本稿では,既存の実演の条件を規定し,計画が許容可能な行動に意味的に変換される手順を提案する。
  論文  参考訳（メタデータ） (2022-01-18T18:59:45Z)

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。