論文の概要: TESS: LLM-guided Translation, Exploration, Simulation, and Search for Embodied Task Planning

• arxiv url: http://arxiv.org/abs/2610.25930v1
• Date: Mon, 19 Oct 2026 07:27:23 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 22:44:05.859055
• Title: TESS: LLM-guided Translation, Exploration, Simulation, and Search for Embodied Task Planning
• Title（参考訳）: TESS: LLM誘導型翻訳・探索・シミュレーション・探索
• Abstract要約: 我々は、エージェントが複雑なタスクをアトミックなアクションに分割して達成する必要がある、具体的タスク計画の問題に焦点をあてる。 近年,この問題に対処するためのLCM法が開発されている。 本稿では,LLMのコモンセンス知識を取り入れたLLM誘導探索アルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 39.13414246914538
• License:
• Abstract: In this work we focus on the problem of embodied task planning, which requires an agent to accomplish a complex task by separating it into atomic actions. Recent studies have developed LLM-based methods to address this problem. However, the executability and correctness of the generated plans remain suboptimal in complex environments and tasks. On the other hand, classical search algorithms have the potential to solve the planning problems perfectly, yet they require fully observable environments, known state transitions and goal state, which are often unattainable in general task domains. Therefore, we propose to implement an LLM-guided search algorithm that makes the search process possible and efficient by incorporating LLMs' commonsense knowledge. Our method leverages LLMs to (1) translate natural language instructions into formatted goal conditions, (2) facilitate efficient exploration in partially observable environments, (3) implement a rule-based world simulator, and (4) prune the space of candidate actions to improve search efficiency. Experimental results on VirtualHome and ALFWorld demonstrate its superior performance.
• Abstract（参考訳）: 本研究は、エージェントが複雑なタスクをアトミックなアクションに分割して達成する必要がある、エンボディされたタスク計画の問題に焦点を当てる。 近年,この問題に対処するためのLCM法が開発されている。 しかし、生成した計画の実行可能性と正確性は、複雑な環境やタスクにおいて最適以下である。 一方、古典的な探索アルゴリズムは計画上の問題を完璧に解決する可能性を秘めているが、それらは完全に観測可能な環境、既知の状態遷移とゴール状態を必要とする。 そこで本研究では,LLMのコモンセンス知識を取り入れたLLM誘導探索アルゴリズムを提案する。 提案手法は,(1)自然言語命令を書式化された目標条件に変換すること,(2)部分的に観測可能な環境での効率的な探索を容易にすること,(3)ルールベースの世界シミュレータを実装すること,(4)探索効率を向上させるために候補行動の空間を創出すること,などを利用する。 VirtualHomeとALFWorldの実験結果は、その優れた性能を示している。

関連論文リスト

• Deconstructing Spatial Complexity: Hierarchical Decomposition for LLM Spatial Reasoning [15.510513857489416]
  本稿では,LLM空間推論における階層的タスク分解の新しい手法を提案する。 本手法は,ナビゲーション,計画,戦略ゲームなどの空間的タスクにおけるLLM性能を大幅に向上させる。 この研究は、現実世界のアプリケーションにおけるLLMの道を開いた。
  論文  参考訳（メタデータ） (2026-05-27T08:26:57Z)
• Inspire or Predict? Exploring New Paradigms in Assisting Classical Planners with Large Language Models [9.925353344469324]
  LLM(Large Language Models)は、検索空間を熟成するための有用なアクションと状態を生成する。 本稿では,問題分解と統合された新しいプランナを提案し,まず大規模計画問題を単純なサブタスクに分解する。 複数の領域にわたるプランナの有効性を実証的に検証し,大規模計画問題の解法における空間分割の探索能力を示す。
  論文  参考訳（メタデータ） (2025-08-15T15:08:07Z)
• Exploring GPT-4 for Robotic Agent Strategy with Real-Time State Feedback and a Reactive Behaviour Framework [0.0]
  我々は,新しい大規模言語モデル(LLM)駆動行動法の概念実証として,ヒューマノイドロボットと実世界におけるGPT-4の利用について検討する。 問題は、LLMに目標を与え、LLMはその目標を達成するためにサブタスクを出力することである。 本稿では,安全性,タスク間の遷移,タスクの時間的地平線,状態フィードバックに関する現実的な懸念に対処する手法を提案する。
  論文  参考訳（メタデータ） (2025-03-30T21:53:28Z)
• Large Language Models as Common-Sense Heuristics [0.9093413254392775]
  大規模言語モデル(LLM)は、幅広いトピックにまたがるパラメトリドな知識を持ち、彼らのソリューションにおける計画タスクの自然言語記述を活用できる。 本研究では,LLMのパラメトリド知識をヒルクライミングサーチの出力として利用することにより,新たな計画手法を提案する。 提案手法は,共通住宅環境における類似システムのタスク成功率を22ポイント向上させ,一貫した計画を立てる。
  論文  参考訳（メタデータ） (2025-01-31T00:26:38Z)
• EVOLvE: Evaluating and Optimizing LLMs For In-Context Exploration [76.66831821738927]
  大規模言語モデル(LLM)は、不確実性の下で最適な意思決定を必要とするシナリオにおいて、未調査のままである。 多くのアプリケーションに関係のあるステートレス強化学習環境である,帯域幅を最適に決定できる LLM の (in) 能力の測定を行う。 最適な探索アルゴリズムの存在を動機として,このアルゴリズム知識をLLMに統合する効率的な方法を提案する。
  論文  参考訳（メタデータ） (2024-10-08T17:54:03Z)
• ConceptAgent: LLM-Driven Precondition Grounding and Tree Search for Robust Task Planning and Execution [33.252158560173655]
  ConceptAgentは、非構造化環境でのタスク実行用に設計された自然言語駆動のロボットプラットフォームである。 本研究では,1)不可能な行動の防止と回復を目的とした述語接地,2)自己反射を用いたLLM誘導モンテカルロ木探索の具体化など,欠点を抑えるために設計されたイノベーションを提案する。
  論文  参考訳（メタデータ） (2024-10-08T15:05:40Z)
• ADaPT: As-Needed Decomposition and Planning with Language Models [131.063805299796]
  As-Needed Decomposition and Planning for Complex Tasks (ADaPT)について紹介する。 ADaPTは、Large Language Modelsがそれらを実行できない場合、複雑なサブタスクを明示的に計画し、分解する。 以上の結果から,ADaPTは強いベースラインを確立した。
  論文  参考訳（メタデータ） (2023-11-08T17:59:15Z)
• Learning to Plan with Natural Language [111.76828049344839]
  大規模言語モデル(LLM)は、様々な基本自然言語タスクにおいて顕著な性能を示している。 複雑なタスクを完了するためには、ステップごとに特定のソリューションを生成するためにLCMをガイドするタスクの計画が必要です。 本研究では,(1)第1学習課題計画フェーズにおいて,LCMが学習エラーフィードバックから導出するように促した新たなステップバイステップのソリューションと行動指示を用いてタスク計画を反復的に更新する,という2つの段階を含む学習計画手法を提案する。
  論文  参考訳（メタデータ） (2023-04-20T17:09:12Z)

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。