論文の概要: ADM-Planner: LLM-Guided Long-Horizon Planning for Mobile Manipulators with Attention-Enhanced Dynamic Memory

• arxiv url: http://arxiv.org/abs/2609.29212v1
• Date: Thu, 24 Sep 2026 08:19:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 21:10:09.790701
• Title: ADM-Planner: LLM-Guided Long-Horizon Planning for Mobile Manipulators with Attention-Enhanced Dynamic Memory
• Title（参考訳）: ADM-Planner:注意力強化動的メモリを用いた移動マニピュレータのLLM誘導長軸計画
• Abstract要約: 注意強化動的メモリ(ADM)を用いたLCM誘導型計画フレームワークADM-Plannerを提案する。 1500回以上のタスクシミュレーターのエピソードにおいて、提案されたADMは100%フルタスクで成功を収めた。 60-trial PyBulletによる別の研究では、ADMが100%成功したが、静的メモリは50%だった。
• 参考スコア（独自算出の注目度）: 4.276697874428501
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large language models can decompose mobile-manipulation goals into long action sequences, but the resulting plans remain reliable only while their world context is current. A fixed scene description becomes stale when objects are discovered, moved, or completed while retaining every observation instead produces a growing history with redundant and conflicting state. To resolve this tension, we present an LLM-guided planning framework ADM-Planner with attention-enhanced dynamic memory (ADM). Persistent workspace knowledge is separated from object-centric state, asynchronous observations and action outcomes update that state, and a bounded retriever exposes only the entries that can affect the next decision. The LLM replans when an update invalidates the remaining plan. Across 1,500 task-simulator episodes, the proposed ADM achieved 100% full-task success in the 14-container noisy dynamic setting, compared with 62% for static memory and 97% for unfiltered dynamic memory, while reducing the context-size proxy by 95.8% relative to the latter. In a six-episode live GPT-5 Mini planner, both dynamic memory variants completed every mission, while ADM reduced provider-reported input tokens by 14.4% and mean planner calls from 7.0 to 6.0. A separate 60-trial PyBullet study retained 100% success for ADM, compared with 50% for static memory. Finally, the mobile manipulator with ADM-Planner completed various missions in indoor and outdoor physical experiments while incorporating targets revealed after execution began. The results show that selective state maintenance with ADM, rather than prompt history alone, is a practical basis for long-horizon planning in changing environments. Project page: https://xjp99v5.github.io/ADM-Planner
• Abstract（参考訳）: 大規模な言語モデルは、モバイル操作目標を長いアクションシーケンスに分解することができるが、その結果の計画は、彼らの世界状況が現在である間にのみ信頼性が保たれる。 固定されたシーン記述は、オブジェクトが発見されたり、移動されたり、完了した時に、代わりに、冗長で矛盾した状態で成長する履歴を生成する。 この緊張を解消するために,注意強化型動的メモリ(ADM)を備えたLCM誘導型計画フレームワークADM-Plannerを提案する。 永続的なワークスペース知識は、オブジェクト中心の状態から分離され、非同期観測とアクション結果がその状態を更新し、境界付きレトリバーは次の決定に影響を及ぼすエントリのみを公開する。 LLMは更新が残りのプランを無効にするときに再計画する。 1500回のタスクシミュレータエピソードで提案されたADMは、静的メモリが62%、非フィルタリング動的メモリが97%、コンテキストサイズプロキシが95.8%の14-container noisy動的設定で100%フルタスクの成功を達成した。 6周のライブGPT-5 Miniプランナーでは、2つの動的メモリがミッションごとに完了し、ADMはプロバイダが報告した入力トークンを14.4%削減し、平均プランナーコールは7.0から6.0に短縮した。 60-trial PyBulletによる別の研究では、ADMが100%成功したが、静的メモリは50%だった。 最後に、ADM-Plannerを搭載した移動マニピュレータは、実行開始後に明らかにされた目標を取り入れつつ、屋内および屋外の物理的実験で様々なミッションを完了した。 その結果, ADMによる選択的状態維持は, 環境変化における長期計画の実践的基盤であることがわかった。 プロジェクトページ:https://xjp99v5.github.io/ADM-Planner

関連論文リスト

• SmoLSTM: A Compact Vision-Language-Action Model with Recurrent Memory that Persists [10.689090352457177]
  視覚言語-アクションモデルは、しばしば現在の観察のみから行動を予測する。 SmoLSTMは凍結した256MパラメータのSmolVLMバックボーンをマトリックスメモリLSTM制御層に結合する。 フローマッチングアクションヘッドは、各制御ステップで10個のエンドエフェクタのチャンクがデルタとグッパーコマンドをポーズするのを予測する。
  論文  参考訳（メタデータ） (2026-09-19T07:48:00Z)
• Memory as Plans: World-Action Modeling with Memory-Grounded Planning [33.29460541345171]
  MaP-WAMはメモリ依存のワールドアクションモデリングをメモリグランドプランニングとプランコンディショニングに分解するメモリ・アズ・プランンズフレームワークである。 MaP-WAMはRMBenchの最先端のパフォーマンスを83.3%の成功率で達成し、実際のロボットタスクで78.0%の成功を達成した。
  論文  参考訳（メタデータ） (2026-09-10T13:52:51Z)
• 2AM: Grounding Agent-Side Memory as Guidance for Steerable Action Models in Long-Horizon Manipulation [6.040186174770221]
  ロングホライズンロボットの操作はメモリを必要とするが、必ずしもアクションポリシーの範囲内ではない。 2AMは、マルチモーダルエージェントをタスクメモリの唯一のホルダーとし、単一のRGBベースの、エピソード的にステートレスなアクションモデルをタスク関連モーションの唯一のエグゼキュータにする。 LIBERO-Memでは、深さ、オンライン幾何、またはプランナーに基づく物体の動きが76.3%に達し、最強のベースラインである14.8%を61.5ポイント改善し、63.0%の緩和と11.8%の厳密な成功を達成している。
  論文  参考訳（メタデータ） (2026-09-10T09:35:56Z)
• Context as an Environment: Programmatic Context Management for Long-Horizon Agents [47.21335299084925]
  それぞれのエージェントセッションを実行可能なセッション環境として扱うコンテキストマネージャであるScrollを提示する。 カーネルはモデルコールにまたがって型付けされ、ツール出力、検索された履歴、派生した状態が変数にバインドされる。
  論文  参考訳（メタデータ） (2026-08-21T23:39:19Z)
• Mimir: A Neuro-Symbolic Memory System with Dynamic Grounding for Embodied Agents in Interactive Environments [15.524473346555395]
  ロングホライゾン・エンボディド・タスクでは、エージェントは部分的な観察可能性の下で行動し、シーンの信念と実行の進捗を保ちながら行動する必要がある。 タスクメモリからワールドメモリを分離し,各アクションの前に動的に記憶する,ニューロシンボリックメモリであるMimirを紹介する。 試験されたバックボーン全体で、ミミルはEB-ALFREDとEB-Habitatのタスクを常に改善し、最大利得は42.5%、平均利得は23.0%である。
  論文  参考訳（メタデータ） (2026-08-05T14:57:24Z)
• 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)
• DIM-WAM: World-Action Modeling with Diverse Historical Event Memory [23.350949759638056]
  世界行動モデルは、将来の視覚状態と行動を共同で予測することで、有望なロボット操作性能を示す。 マルチスケールの歴史的文脈、ローカルな未来のダイナミクス、グローバルなタスク進捗を統合したメモリ拡張ワールドアクションモデルであるDiM-WAMを紹介する。 RMBenchでは、DiM-WAMが平均28.4%、LingBot-VAが69.8%、メモリメモリのMem-0ベースラインが42.0%である。
  論文  参考訳（メタデータ） (2026-06-26T03:17:39Z)
• MEME: Multi-entity & Evolving Memory Evaluation [76.57263966646404]
  MEMEは、マルチエンタリティと進化する軸によって定義される全空間にまたがる6つのタスクを定義している。 3つの記憶パラダイムにまたがる6つの記憶システムの評価。 デフォルト設定の下では、すべてのシステムが依存性の推論で崩壊しているのが分かります。
  論文  参考訳（メタデータ） (2026-05-12T17:55:10Z)
• 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)
• GenericAgent: A Token-Efficient Self-Evolving LLM Agent via Contextual Information Density Maximization (V1.0) [56.81743709880371]
  Long-Horizon Large Language Model (LLM) エージェントは、コンテキストによって根本的に制限される。 長い水平性能は、文脈長ではなく、有限の文脈予算内で意思決定関連情報がどれだけ維持されているかによって決定される。 我々は、情報密度とコンテキストの1つの原理に基づいて構築された汎用的自己進化型LLMエージェントシステムであるGenericAgent(GA)を提案する。
  論文  参考訳（メタデータ） (2026-04-18T17:59:15Z)
• MemPO: Self-Memory Policy Optimization for Long-Horizon Agents [52.00646524941419]
  既存のメソッドは通常、外部メモリモジュールを導入し、格納されたメモリから関連する情報を検索する。 本稿では,自己記憶ポリシー最適化アルゴリズム(MemPO)を提案する。 MemPOはF1の絶対スコアが25.98%、SOTAベースラインが7.1%、トークン使用率が67.58%、73.12%である。
  論文  参考訳（メタデータ） (2026-02-28T14:43:02Z)

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。