論文の概要: Write Once, Plan Many: Building Reusable Visual Planning Systems from One Scene

• arxiv url: http://arxiv.org/abs/2610.19234v1
• Date: Tue, 13 Oct 2026 21:52:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.820897
• Title: Write Once, Plan Many: Building Reusable Visual Planning Systems from One Scene
• Title（参考訳）: 一度書く、多くの計画:1つのシーンから再利用可能なビジュアルプランニングシステムを構築する
• Abstract要約: 視覚言語モデル(VLM)は、視覚的な計画タスクを推論するが、推論コストと遅延を繰り返す。 本稿では、再利用可能な認識と計画プログラムをドメイン仕様から構築する、トレーニング不要のフレームワークを提案する。 我々のシステムは、最強のドメインレベルのプログラム生成ベースラインの80.9%と比較して、平均的な計画成功率99.3%を達成している。
• 参考スコア（独自算出の注目度）: 20.25951132933423
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Vision-language models (VLMs) can reason about visual planning tasks, but querying them for every instance incurs repeated inference cost and latency. Generating reusable planning programs offers an alternative, but constructing reliable planning systems for new problem domains without extensive supervision remains challenging. We present a training-free framework that constructs reusable perception and planning programs from a domain specification and a single practice scene without a paired solution. The central challenge is obtaining useful feedback from the limited input. Our framework addresses it by leveraging VLM's ability to provide a renderer and a dynamic model based on its scene understanding. Rendering detected states enables comparison with the practice scene, while checking simulated action outcomes against the domain specification helps expose errors in rule implementation. Together, these checks guide refinement of the grounding program and planner without requiring solution labels. After refinement and component selection, the programs are frozen and solve new instances without further VLM calls. The same framework constructs systems across domains without manual pipeline redesign. Across fifteen domain variants spanning 2D and 3D scenes with discrete and continuous state, our systems achieve 99.3% average planning success, compared with 80.9% for the strongest domain-level program-generation baseline and 90.7% for the strongest instance-level baseline. Cost analyses show a favorable success-cost trade-off, and ablations confirm the contributions of the executable domain model, execution feedback, and component selection.
• Abstract（参考訳）: 視覚言語モデル(VLM)は、視覚的な計画タスクを推論できるが、インスタンス毎にクエリすることで、反復的な推論コストと遅延が発生する。 再利用可能な計画プログラムの生成は代替案を提供するが、広範囲の監督なしに新しい問題領域のための信頼性の高い計画システムを構築することは困難である。 ドメイン仕様と単一実践シーンから再利用可能な認識と計画プログラムを構築するためのトレーニング不要のフレームワークを提案する。 中心的な課題は、限られた入力から有用なフィードバックを得ることです。 我々のフレームワークは、VLMのシーン理解に基づくレンダラと動的モデルを提供する能力を活用して、この問題に対処する。 検出された状態のレンダリングはプラクティスシーンとの比較を可能にすると同時に、ドメイン仕様に対するシミュレーションされたアクション結果のチェックは、ルールの実装におけるエラーの露呈に役立つ。 これらのチェックは、ソリューションラベルを必要とせずに、接地プログラムとプランナーの洗練をガイドする。 洗練とコンポーネントの選択の後、プログラムは凍結され、VLMコールを余分に必要とせずに新しいインスタンスを解決します。 同じフレームワークは、手動パイプラインを再設計することなく、ドメイン間でシステムを構築する。 2Dおよび3Dシーンにまたがる15種類のドメインが離散的かつ連続的な状態にあるのに対し、我々のシステムは99.3%の平均的な計画成功を達成している。 コスト分析では、成功とコストのトレードオフが好ましく、実行可能なドメインモデル、実行時のフィードバック、コンポーネント選択の貢献を確認します。

関連論文リスト

• ThinkBLOX: 3D Indoor Scene Generation with Progressive Reasoning [26.96786747869045]
  我々は,3Dシーンを反復的に設計・洗練する進歩的推論フレームワークThinkBLOXを提案する。 ThinkBLOXは、レイアウト生成を状態条件付き、ステップバイステップの推論とアクションプロセスとして扱う。 近年のThinkBLOXは, 物理的妥当性, セマンティックアライメント, インタラクティブな編集性において, ワンショット, 反復ベースラインを著しく上回っている。
  論文  参考訳（メタデータ） (2026-07-15T07:42:47Z)
• Afford-VLA: Action-Aligned Visual Planning via Internalized Affordance [108.46436073194546]
  効果的なプランニングは、ローカルで、視覚的に基礎があり、内部で生成され、アクションと直接整合するべきである、と私たちは主張する。 本稿では,タスク条件付きアベイランスをVLAモデル内で明示的な視覚的計画インターフェースとして内包する統合フレームワークであるAfford-VLAを提案する。
  論文  参考訳（メタデータ） (2026-05-22T20:43:47Z)
• PlanningBench: Generating Scalable and Verifiable Planning Data for Evaluating and Training Large Language Models [52.48858778580074]
  計画は大規模言語モデル(LLM)の基本的な機能である PlanningBenchは、評価とトレーニングの両方のためのスケーラブルで多様な検証可能な計画データを生成するためのフレームワークである。
  論文  参考訳（メタデータ） (2026-05-20T08:10:15Z)
• 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)
• Seemingly Simple Planning Problems are Computationally Challenging: The Countdown Game [26.665033202052257]
  本稿では,Countdownと呼ばれるゲームを中心とした計画ベンチマークを作成する手順を提案する。 本稿では,この課題が,計画能力評価のための理想的なベンチマークと関連するデシラタの多くにどのように適合するかを論じる。 その結果、24 Game(Countdownの特殊な場合)のような他の領域とは異なり、提案した動的ベンチマークは既存のLCMベースのアプローチでは極めて困難であることが判明した。
  論文  参考訳（メタデータ） (2025-08-04T21:01:03Z)
• Multi-Agent Planning Using Visual Language Models [2.2369578015657954]
  大規模言語モデル(LLM)とビジュアル言語モデル(VLM)は、様々なドメインやタスクにわたるパフォーマンスとアプリケーションの改善により、関心を集めている。 LLMとVLMは、特に問題領域の深い理解が必要な場合、誤った結果をもたらす。 本稿では,特定のデータ構造を入力として必要とせずに動作可能なマルチエージェント型タスクプランニングアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-08-10T08:10:17Z)
• 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)
• De-fine: Decomposing and Refining Visual Programs with Auto-Feedback [75.62712247421146]
  De-fineは、複雑なタスクを単純なサブタスクに分解し、オートフィードバックを通じてプログラムを洗練する、トレーニング不要のフレームワークである。 様々な視覚的タスクに対する我々の実験は、De-fineがより堅牢なプログラムを生成することを示している。
  論文  参考訳（メタデータ） (2023-11-21T06:24:09Z)

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。