論文の概要: Actively Resolving Contextual Uncertainty for Underspecified Tasks in Natural Language

• arxiv url: http://arxiv.org/abs/2609.30428v1
• Date: Thu, 24 Sep 2026 18:22:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 18:27:51.10007
• Title: Actively Resolving Contextual Uncertainty for Underspecified Tasks in Natural Language
• Title（参考訳）: 自然言語の未特定課題に対する文脈不確かさを積極的に解決する
• Abstract要約: CLUE(Closed-Loop contextual Uncertainty rEsolution)は、自然言語で与えられた文脈の不確実性を解決するためのフレームワークである。 CLUEはボストン・ダイナミクス・スポットに15のタスクにまたがる屋内と屋外の3つの環境に展開します。
• 参考スコア（独自算出の注目度）: 58.02938677145988
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Foundation models provide robots with the ability to interpret natural language and reason about environmental context, yet most language-conditioned policies assume that goals are well-specified and that task-relevant information is provided upfront via a prior map. Operating in unfamiliar environments with underspecified tasks entails high contextual uncertainty: the robot must jointly infer what constitutes task success, what constitutes relevant information, and where (or whether) that information exists. We address these limitations via CLUE (Closed-Loop contextual Uncertainty rEsolution), a framework for actively resolving contextual uncertainty given underspecified tasks in natural language. CLUE uses an LLM-derived policy to hypothesize task-relevant concepts and potential plans. It then uses a language-embedded map, which is constructed online, to ground these hypotheses into actions. The policy sequentially evaluates hypotheses via closed-loop environment interaction and refines its plans as it gathers new information. We deploy CLUE on a Boston Dynamics Spot across three real indoor and outdoor environments spanning 15 tasks that require object disambiguation, functional inference, and occlusion reasoning. CLUE achieves a success rate within 7 percentage points of an oracle policy and outperforms an LLM-enabled planner without closed-loop feedback by a 4x margin. Supporting experiments demonstrate that simply building and then querying a language-enriched map is insufficient to resolve complex contextual planning tasks; these approaches achieve roughly one third the success rate of CLUE while requiring over 10x more VLM tokens. We provide additional information at https://zacravichandran.github.io/CLUE.
• Abstract（参考訳）: 基礎モデルでは、ロボットに自然言語を解釈し、環境条件を推論する能力を与えるが、ほとんどの言語条件の政策は、目標が適切に特定されており、タスク関連情報が前もって前もってマップを通じて提供されると仮定する。 ロボットは、タスクの成功を構成するもの、関連する情報を構成するもの、そしてその情報が存在する場所(または存在するかどうか)を共同で推測する必要がある。 本稿では,これらの制約を,自然言語の未特定タスクを積極的に解決するフレームワークであるCLUE(Closed-Loop contextual Uncertainty rEsolution)を用いて解決する。 CLUE は LLM から派生したポリシーを使ってタスク関連の概念と潜在的な計画の仮説を立てている。 その後、言語に埋め込まれた地図をオンラインで構築し、これらの仮説を行動に基礎づける。 この方針は閉ループ環境相互作用を通じて仮説を逐次評価し、新たな情報を集める際にその計画を洗練させる。 CLUEは、オブジェクトの曖昧さ、機能的推論、排他的推論を必要とする15のタスクにまたがる、屋内および屋外の3つの実際の環境にわたって、Boston Dynamics Spot上にデプロイする。 CLUEは、オラクルポリシーの7ポイント以内の成功率を達成し、4倍のマージンで閉ループフィードバックを伴わずにLLM対応プランナーを上回っている。 これらの手法は,10倍以上のVLMトークンを必要としながら,CLUEの成功率の約3分の1を達成している。 私たちはhttps://zacravichandran.github.io/CLUE.comで追加情報を提供しています。

関連論文リスト

• HELP: Hierarchical Embodied Language Planner for Household Tasks [75.38606213726906]
  複雑なシナリオを扱うエージェントは、堅牢な計画能力に大きく依存する。 広範な言語知識を備えた大規模言語モデルは、この役割を果たすことができる。 LLMをベースとした一組のエージェントからなる階層型エンボディード言語プランナーHELPを提案する。
  論文  参考訳（メタデータ） (2025-12-25T15:54:08Z)
• Beyond Manuals and Tasks: Instance-Level Context Learning for LLM Agents [22.620674535292068]
  大規模言語モデル(LLM)エージェントは通常、インタラクションインターフェースとグローバルルールを定義する環境レベルのマニュアルと、特定の目標に関連するタスクレベルのガイダンスまたはデモの2つの種類のコンテキストを受信する。 我々は、複雑なタスクにおいて、LLMエージェントの障害発生源としてインスタンスレベルのコンテキストが欠如していることを論じる。 我々は、この問題をインスタンスレベルコンテキスト学習(ILCL)として定式化し、それを解決するためのタスクに依存しない方法を紹介します。
  論文  参考訳（メタデータ） (2025-09-29T05:38:51Z)
• 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)
• Plant in Cupboard, Orange on Rably, Inat Aphone. Benchmarking Incremental Learning of Situation and Language Model using a Text-Simulated Situated Environment [18.256529559741075]
  大きな言語モデル(LLM)はエージェントシステムのキーコンポーネントとして機能し、それらの常識的な知識は、位置や具現化されたアクションのための言語ベースのプランナーとしての性能に大きく影響する。 LLMのインクリメンタル学習(環境からのフィードバックに基づく)を評価し,テキストベースの環境を用いてコンテキスト内学習能力を制御する。 その結果、より大きな商用モデルはオープンウェイトに比べて性能がかなり低いが、ほとんどのモデルは合成語実験に苦慮していることがわかった。
  論文  参考訳（メタデータ） (2025-02-17T12:20:39Z)
• LLM-guided Task and Motion Planning using Knowledge-based Reasoning [1.7563201473819496]
  本研究は,タスクコンテキスト推論と知識ベース環境記述を用いて,ユーザプロンプトを洗練・拡張する知識ベース推論を用いた新しいオント・LLM-TAMPフレームワークを提案する。 提案フレームワークはシミュレーションと実世界のシナリオの両方を通じて検証され,動的環境への適応性や意味論的に正しいタスクプランの生成の観点から,ベースラインアプローチに対する大幅な改善が示された。
  論文  参考訳（メタデータ） (2024-12-10T13:18:45Z)
• Language Agents Meet Causality -- Bridging LLMs and Causal World Models [50.79984529172807]
  因果表現学習を大規模言語モデルと統合する枠組みを提案する。 このフレームワークは、自然言語表現に関連付けられた因果変数を持つ因果世界モデルを学ぶ。 本研究では,時間的スケールと環境の複雑さを考慮した因果推論と計画課題の枠組みを評価する。
  論文  参考訳（メタデータ） (2024-10-25T18:36:37Z)
• From LLMs to Actions: Latent Codes as Bridges in Hierarchical Robot Control [58.72492647570062]
  我々は,制限を克服する代替アーキテクチャとして,Learningable Latent Codes as Bridges (LCB)を導入した。 methodoutperforms baselines that leverage pure language as the interface layer on tasks that requires reasoning and multi-step behaviors。
  論文  参考訳（メタデータ） (2024-05-08T04:14:06Z)
• Natural Language as Policies: Reasoning for Coordinate-Level Embodied Control with LLMs [7.746160514029531]
  ロボットのタスク計画問題に対処するLLMによる実験結果を示す。 提案手法はタスクとシーンオブジェクトのテキスト記述を取得し,自然言語推論によるタスクプランニングを定式化する。 提案手法はマルチモーダル・プロンプト・シミュレーション・ベンチマークを用いて評価する。
  論文  参考訳（メタデータ） (2024-03-20T17:58:12Z)
• Learning adaptive planning representations with natural language guidance [90.24449752926866]
  本稿では,タスク固有の計画表現を自動構築するフレームワークであるAdaについて述べる。 Adaは、プランナー互換の高レベルアクション抽象化と、特定の計画タスク領域に適応した低レベルコントローラのライブラリを対話的に学習する。
  論文  参考訳（メタデータ） (2023-12-13T23:35:31Z)
• 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。