論文の概要: GAVEL: Graph World Models for Verified and Efficient Long-Horizon LLM Task Planning

• arxiv url: http://arxiv.org/abs/2609.19315v1
• Date: Wed, 16 Sep 2026 18:25:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:53.980864
• Title: GAVEL: Graph World Models for Verified and Efficient Long-Horizon LLM Task Planning
• Title（参考訳）: GAVEL:LLMタスク計画の検証と効率化のためのグラフワールドモデル
• Abstract要約: 大型言語モデル (LLMs) は長距離ロボット計画のための柔軟なインタフェースを提供する。 本稿では,長期LLM計画の検証と修復のためのフレームワークであるGAVELについて述べる。
• 参考スコア（独自算出の注目度）: 10.976341201549273
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large language models (LLMs) provide a flexible interface for long-horizon robot planning, but generated plans often fail to respect embodiment constraints, recover from planning errors, or reason effectively under partial observability. We present GAVEL, a framework for verifying and repairing long-horizon LLM planning built around an explicit graph world model. The graph represents relevant object-relations, action pre-conditions and effects, and probabilistic beliefs over unobserved object locations. This model can predict the consequences of LLM-generated actions before execution, detect violations, and repair those whose corrections follow directly from the world model. This method also reserves LLM replanning solely for errors requiring semantic reasoning. For multi-task instructions, GAVEL reasons over distributions of possible object locations to reorder remaining subtasks and minimize expected search cost. We evaluate GAVEL on BEHAVIOR-1K across 100 single long-horizon tasks and 500 multi-task instructions. With Qwen3-8B, GAVEL improves single-task success from 41.2% to 91.8% and multi-task success from 19.9% to 92.6%. Distributional belief reasoning also reduces travel distance by approximately 5.4% compared with a static variant. These improvements show that an explicit graph world model harness can substantially improve the reliability and efficiency of long-horizon embodied planning across compact and frontier hosted LLM capabilities.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、長期のロボット計画のための柔軟なインタフェースを提供するが、生成された計画は、実施制約を尊重したり、計画上のエラーから回復したり、部分的な可観測性の下で効果的に推論することができないことが多い。 本稿では,グラフワールドモデルに基づいて構築された長期LLM計画の検証と修復を行うフレームワークであるGAVELについて述べる。 このグラフは、関連する対象関係、行動前提条件と効果、および観測されていない対象位置に対する確率的信念を表す。 このモデルは、実行前にLCMが生成したアクションの結果を予測し、違反を検出し、世界モデルから直接修正したアクションを修復することができる。 この方法はまた、意味的推論を必要とするエラーのためにのみ LLM のリプランニングを予約する。 マルチタスク命令では、GAVELがオブジェクト位置の分布を考慮し、残りのサブタスクを並べ替え、検索コストを最小化する。 BEHAVIOR-1K上のGAVELを,100の長軸タスクと500のマルチタスク命令で評価した。 Qwen3-8Bでは、GAVELはシングルタスクの成功を41.2%から91.8%に改善し、マルチタスクの成功を19.9%から92.6%に改善した。 分布的信念推論は、静的な変種と比較して、旅行距離を約5.4%削減する。 これらの改善により、明示的なグラフワールドモデルハーネスは、コンパクトでフロンティアにホストされたLLM機能にまたがる長い水平配置計画の信頼性と効率を大幅に改善できることが示された。

関連論文リスト

• SIMMER: Benchmarking Latent Failures in LLM Executable Planning with a World Model [8.782590561222511]
  本稿では,大規模言語モデル(LLM)計画における遅延故障評価ベンチマークであるSIMMERを紹介する。 SIMMERは77のアクション、262のユニークなオブジェクト、約46,800の可能な相互作用からなる世界モデルを定義している。 次に、ステートマシンエグゼキュータを利用して、ワールドモデルに対する計画の検証を行い、即時プレコンディション違反、潜伏するハザード、不可逆的な障害を検出する。
  論文  参考訳（メタデータ） (2026-06-12T15:53:16Z)
• Plan Verification for LLM-Based Embodied Task Completion Agents [10.439882851477162]
  大規模言語モデル(LLM)に基づくタスク計画とそれに対応するAIの人間による実演は騒々しいかもしれない。 審査員が行動系列を批判し、プランナーLLMが修正を適用する反復検証フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-09-02T19:06:56Z)
• Mitigating Cross-Modal Distraction and Ensuring Geometric Feasibility via Affordance-Guided and Self-Consistent MLLMs for Task Planning in Instruction-Following Manipulation [5.903105418868711]
  食品準備シナリオに基づいた新しいベンチマークである textbfQuARC (Quantity, Analysis, Relative positioning, Collision) を導入する。 現在のMLLMの2つの大きな制限に対処する。 提案手法はベンチマークで76.7%の成功率を実現し,ViLaベースラインを著しく上回った。
  論文  参考訳（メタデータ） (2025-03-17T11:01:02Z)
• Towards Efficient LLM Grounding for Embodied Multi-Agent Collaboration [68.29746557968107]
  本稿では,多エージェント協調のための新しいフレームワークを提案する。これは,効率的な自己調整のための強化アドバンテージフィードバック(Reinforced Advantage feedback, ReAd)を導入する。 Over-AIと難解なRoCoBenchの実験は、ReAdが成功率のベースラインを超え、エージェントの相互作用ステップを著しく減少させることを示している。
  論文  参考訳（メタデータ） (2024-05-23T08:33:19Z)
• Tree-Planner: Efficient Close-loop Task Planning with Large Language Models [63.06270302774049]
  Tree-Plannerは、大きな言語モデルでタスクプランニングを3つの異なるフェーズに再構成する。 Tree-Plannerは高い効率を維持しながら最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2023-10-12T17:59:50Z)

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。