論文の概要: X-Planner: Event-Structured Task Planning for Embodied Intelligence
- arxiv url: http://arxiv.org/abs/2609.25187v2
- Date: Tue, 29 Sep 2026 14:50:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-01 18:57:25.373653
- Title: X-Planner: Event-Structured Task Planning for Embodied Intelligence
- Title（参考訳）: X-Planner: 身体情報のためのイベント構造化タスクプランニング
- Abstract要約: 我々は、具体的推論の監督と表現の両方に対処するプランニングフロントエンドであるX-Plannerを紹介する。
Ego, UMI, および遠隔操作の階層構造とソース依存のアノテーション深度を組み合わせる。
X-PlannerはBERTScore-F1と審査ベースのスコアの両方で評価された4つのモデルの中で2位である。
- 参考スコア（独自算出の注目度）: 8.960643039576123
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Task planning bridges high-level instructions and executable behavior in long-horizon manipulation, yet modern Vision-Language-Action (VLA) systems often leave this intermediate structure implicit. Existing chain-of-thought (CoT) planners also tend to rely on coarse task-level annotations or serialize long reasoning traces token by token. We present X-Planner, a planning front-end that addresses both the supervision and representation of embodied reasoning. Our planning data combine Ego, UMI, and teleoperation under a hierarchy granularity with source-dependent annotation depth. Takeover-time annotations and human-designed failures supervise ongoing error recognition. On the model side, a shared VLM backbone exposes two event-structured plan forms: a discrete interface that emits interpretable event states and a latent interface that relays continuous CoT states across staggered Transformer depths through Staircase Decoding. A frozen latent-to-text reconstruction objective provides a semantic anchor for the latent representation. Offline two-step planning evaluation places X-Planner second among four evaluated models on both BERTScore-F1 and a judge-based Overall score. In real-robot experiments, respectively, outperforming the evaluated baselines. These results characterize planning-text quality and downstream execution.
- Abstract（参考訳）: タスクプランニングは、長い水平操作において高いレベルの命令と実行可能な振る舞いをブリッジするが、現代のビジョン・ランゲージ・アクション(VLA)システムは、しばしばこの中間構造を暗黙的に残す。
既存のチェーン・オブ・思想(CoT)プランナーは、タスクレベルのアノテーションを粗末にしたり、トークンごとに長い推論トレーストークンをシリアライズする傾向があります。
我々は、具体的推論の監督と表現の両方に対処するプランニングフロントエンドであるX-Plannerを紹介する。
Ego, UMI, および遠隔操作の階層構造とソース依存のアノテーション深度を組み合わせる。
テイクオーバー時間アノテーションとヒューマンデザインの失敗は、進行中のエラー認識を監督する。
モデル側では、共有VLMバックボーンが2つのイベント構造化プランフォームを公開する。
凍結した潜時テキスト再構築の目的は、潜時表現のセマンティックアンカーを提供する。
オフライン2段階計画評価では,BERTScore-F1と判定基準スコアの2つの評価モデルのうち,X-Plannerが2位となった。
実ロボット実験では、評価されたベースラインよりも優れていた。
これらの結果は、プランニングテキストの品質とダウンストリームの実行を特徴付ける。
関連論文リスト
- 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) - TempAct: Advancing Temporal Plausibility in Autoregressive Video Generation via Planner-Executor RL [72.7712729541565]
自己回帰(AR)ビデオ拡散モデルにより、ビデオチャンクをキャッシュされたビジュアルコンテキストでチャンクで合成することで、低レイテンシなストリーミング生成を可能にする。
1つのグローバルプロンプトは、どのサブイベントを各チャンクで実現すべきかを指定しないが、ステップワイズプロンプトにナビゲート的に切り替えると、しばしば遅延反応、ブレンドステップセマンティクス、プロンプト遷移間のエラー伝播につながる。
我々は、時間分解とステップ条件付き実行を協調的に最適化し、時間分解可能なARビデオ生成のためのプランナー-実行型強化学習フレームワークであるTempActでこれらの課題に対処する。
論文 参考訳（メタデータ） (2026-06-26T12:19:28Z) - Do Agents Need to Plan Step-by-Step? Rethinking Planning Horizon in Data-Centric Tool Calling [18.782893288656044]
LLMベースのエージェントは複雑なデータ中心のタスクを解決する。
既存の戦略は,(1)実行前に完全な計画を生成するフルホライズン(FH)と,(2)段階的推論と観察を伴う各アクション(ツールコール)をインターリーブするシングルステップ水平化(SH)の2つのパラダイムに分類される。
論文 参考訳（メタデータ） (2026-05-08T20:51:42Z) - Long-Horizon Manipulation via Trace-Conditioned VLA Planning [55.80061850746898]
LoHo-Manipは、短い水平VLA実行を専用のタスク管理VLMを介して長い水平命令にスケールするフレームワークである。
LoHo-Manipは、サブタスクシーケンスと明示的な完了+残り分割を軽量言語メモリとして組み合わせた、進捗対応の残計画を予測する。
実行器VLAは、レンダリングされたトレースの条件に適合し、長い水平決定を繰り返しローカル制御に変換する。
論文 参考訳（メタデータ） (2026-04-23T17:59:04Z) - AsgardBench -- Evaluating Visually Grounded Interactive Planning Under Minimal Feedback [28.254110943200683]
AsgardBenchは、視覚的に基礎があり、ハイレベルなアクションシーケンス生成と対話的な計画を評価することを目指している。
評価の結果,視覚的入力を使わずに性能が急激に低下し,視覚的接地や状態追跡の弱点が明らかとなった。
私たちのベンチマークでは,より限定的な疑問に言及しています – 期待通りに進まなければ,実際に計画に適応するために,モデルが見ているものを使用することは可能ですか?
論文 参考訳（メタデータ） (2026-03-16T20:31:43Z) - CoSPlan: Corrective Sequential Planning via Scene Graph Incremental Updates [35.64639873984766]
本稿では,初期状態と目標状態の間の中間的推論ステップを導入したSGI(Scene Graph Incremental Update)を提案する。
シーケンシャルプランニングにおける信頼性の向上に加えて、SGIはPlan-BenchやVQAといった従来のプランニングタスクに一般化している。
論文 参考訳（メタデータ） (2025-12-11T06:46:51Z) - Subgoal Graph-Augmented Planning for LLM-Guided Open-World Reinforcement Learning [0.0]
大規模言語モデル(LLM)は強化学習に強力な高レベル計画機能を提供する。
LLMは、セマンティックに妥当なサブゴールを生成するが、ターゲット環境では不可能または無関係である。
LLMの計画は自己検証と融合し、自信過剰で信頼性の低いサブゴールとなる。
論文 参考訳（メタデータ） (2025-11-26T02:49:44Z) - RoboCerebra: A Large-scale Benchmark for Long-horizon Robotic Manipulation Evaluation [59.9896841079005]
長距離ロボット操作における高レベル推論評価のためのベンチマークであるRoboCerebraを紹介する。
データセットはトップダウンパイプラインを通じて構築され、GPTはタスク命令を生成し、それらをサブタスクシーケンスに分解する。
以前のベンチマークと比較すると、RoboCerebraはアクションシーケンスが大幅に長く、アノテーションがより密度が高い。
論文 参考訳（メタデータ） (2025-06-07T06:15:49Z) - Planning as In-Painting: A Diffusion-Based Embodied Task Planning
Framework for Environments under Uncertainty [56.30846158280031]
具体的AIのためのタスクプランニングは、最も難しい問題の1つだ。
In-paintingとしての計画」というタスク非依存の手法を提案する。
提案するフレームワークは,様々な具体的AIタスクにおいて,有望なパフォーマンスを実現する。
論文 参考訳（メタデータ） (2023-12-02T10:07:17Z)
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。