論文の概要: Search, Ground, Plan: Functional Sufficiency for Task and Motion Planning under Incomplete Scene Knowledge

• arxiv url: http://arxiv.org/abs/2609.23113v1
• Date: Sat, 19 Sep 2026 16:29:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-24 17:15:09.597143
• Title: Search, Ground, Plan: Functional Sufficiency for Task and Motion Planning under Incomplete Scene Knowledge
• Title（参考訳）: 探索・地上・計画:不完全な場面知識に基づく課題・行動計画に有効な機能
• Abstract要約: 本稿では,タスク完了に必要なシーンエンティティを検索するFMベースのTAMPフレームワークであるGRAB-TAMPを紹介する。 我々は,機能的役割,関係性,課題制約を通じてタスクを表現し,段階的にシーンを検査する。 200の可能な試行で、我々のアプローチは、計画目標の67.3%をカバーし、54.0%のエンド・ツー・エンドの成功を達成した。
• 参考スコア（独自算出の注目度）: 1.4699455652461726
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Foundation models (FMs) have expanded task and motion planning (TAMP) to manipulation problems specified through language and visual observations. However, incomplete scene knowledge leaves a critical gap between understanding what the task requires and knowing whether the physical scene can actually realize it. We introduce GRAB-TAMP, an FM-based TAMP framework that searches for scene entities required for task completion, grounds functional roles to valid physical objects, and plans only after a complete joint assignment establishes functional sufficiency. We represent the task through functional roles, relations, and assignment constraints, and incrementally inspect the scene while requirements remain unresolved, verifying candidate objects through semantic, geometric, and relational checks. We evaluate GRAB-TAMP across 32 scene variants spanning Kitchen, Living Room, and Workshop domains. Across 200 feasible trials, our approach achieves 54.0% end-to-end success with 67.3% plan goal coverage. Compared with three FM-based TAMP frameworks under the same execution setting, GRAB-TAMP improves end-to-end success by 25.7 percentage points over the mean baseline. Implementation and evaluation code: https://github.com/Narendhiranv04/GRAB-TAMP
• Abstract（参考訳）: ファンデーションモデル(FM)は、言語や視覚的な観察によって特定された問題を操作するためにタスク・アンド・モーション・プランニング(TAMP)を拡張した。 しかし、不完全なシーン知識は、タスクが必要とするものを理解することと、物理的なシーンが実際にそれを実現することができるかどうかを知ることの間に重要なギャップを残している。 我々は,FMベースのTAMPフレームワークであるGRAB-TAMPを紹介した。これはタスク完了に必要なシーンエンティティを検索し,有効な物理オブジェクトに機能的役割を基盤とし,完全な共同割り当てが機能的十分性を確立した後のみ計画する。 我々は,機能的役割,関係,代入制約を通じてタスクを表現し,要求が未解決のまま段階的にシーンを検査し,意味的,幾何学的,関係的なチェックを通じて候補オブジェクトを検証する。 筆者らは,キッチン,リビングルーム,ワークショップドメインにまたがる32のシーンのGRAB-TAMPを評価した。 200の可能な試行で、我々のアプローチは、計画目標の67.3%をカバーし、54.0%のエンド・ツー・エンドの成功を達成した。 同じ実行環境下での3つのFMベースのTAMPフレームワークと比較して、GRAB-TAMPは平均ベースラインに対して25.7%のポイントでエンドツーエンドの成功を改善する。 実装と評価コード:https://github.com/Narendhiranv04/GRAB-TAMP

関連論文リスト

• 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)
• TriRelVLA: Triadic Relational Structure for Generalizable Embodied Manipulation [54.81449795163812]
  視覚言語アクション(VLA)モデルは、トレーニング対象のロボットタスクでうまく機能するが、見えないシーンやオブジェクトに一般化するのに苦労する。 一般化可能なエンボディ操作のための三進関係VLAフレームワークであるTriRelVLAを提案する。 実験は、微調整されたタスクにおいて強い性能を示し、クロスシーン、クロスオブジェクト、クロスタスクの一般化において明確なゲインを示す。
  論文  参考訳（メタデータ） (2026-05-07T05:57:49Z)
• MesaTask: Towards Task-Driven Tabletop Scene Generation via 3D Spatial Reasoning [97.97174328960807]
  操作タスクを実行するロボットの能力は、トレーニングのためのタスク関連テーブルトップシーンの可用性を必要とする。 これらのシーンを作成する伝統的な方法は、時間を要する手動レイアウト設計や純粋にランダムなレイアウトに依存している。 我々は、この推論チェーンを利用したLCMベースのフレームワークであるMesaTaskを、DPOアルゴリズムにより拡張し、物理的に可算なテーブルトップシーンを生成する。
  論文  参考訳（メタデータ） (2025-09-26T12:46:00Z)
• FOUNDER: Grounding Foundation Models in World Models for Open-Ended Embodied Decision Making [32.050134958163184]
  ファンデーションモデル(FM)とワールドモデル(WM)は、異なるレベルでタスクの一般化において補完的な強みを提供する。 本稿では、FMに埋め込まれた一般化可能な知識とWMの動的モデリング機能を統合するフレームワークであるFOUNDERを提案する。 我々は、WM状態空間におけるFM表現を基底としたマッピング関数を学習し、外部観測から世界シミュレータにおけるエージェントの物理状態を効果的に推定する。
  論文  参考訳（メタデータ） (2025-07-15T21:49:49Z)
• 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)
• Localizing Active Objects from Egocentric Vision with Symbolic World Knowledge [62.981429762309226]
  タスクの指示をエゴセントリックな視点から積極的に下す能力は、AIエージェントがタスクを達成したり、人間をバーチャルに支援する上で不可欠である。 本稿では,現在進行中のオブジェクトの役割を学習し,指示から正確に抽出することで,アクティブなオブジェクトをローカライズするフレーズグラウンドモデルの性能を向上させることを提案する。 Ego4DおよびEpic-Kitchensデータセットに関するフレームワークの評価を行った。
  論文  参考訳（メタデータ） (2023-10-23T16:14:05Z)
• Embodied Task Planning with Large Language Models [86.63533340293361]
  本研究では,現場制約を考慮した地上計画のための具体的タスクにおけるTAsk Planing Agent (TaPA)を提案する。 推論の際には,オープンボキャブラリオブジェクト検出器を様々な場所で収集された多視点RGB画像に拡張することにより,シーン内の物体を検出する。 実験の結果,我々のTaPAフレームワークから生成されたプランは,LLaVAやGPT-3.5よりも大きなマージンで高い成功率が得られることがわかった。
  論文  参考訳（メタデータ） (2023-07-04T17:58:25Z)
• 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)
• On Grounded Planning for Embodied Tasks with Language Models [30.217305215259277]
  言語モデル(LM)は、物理世界の常識的知識を持つ能力を示した。 LMが具体化されたタスクに対して、基礎的で実行可能な計画を生成する能力を持っているかどうかは、まだ不明である。 LMには視覚と物理的な環境からのフィードバックを通じて環境を知覚する能力がないため、これは難しい課題である。
  論文  参考訳（メタデータ） (2022-08-29T16:37:18Z)

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。