論文の概要: SCOPE: Scene-graph Construction Optimized by Plan Error-correction for Robot Long-term Planning Datasets

• arxiv url: http://arxiv.org/abs/2610.31518v1
• Date: Thu, 22 Oct 2026 16:31:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-24 02:08:44.47767
• Title: SCOPE: Scene-graph Construction Optimized by Plan Error-correction for Robot Long-term Planning Datasets
• Title（参考訳）: SCOPE:ロボットの長期計画データセットに対する計画誤差補正によるシーングラフ構築
• Abstract要約: タスク・アンド・モーション・プランニング(TAMP)データセットを生成するための自動フレームワークであるSCOPE(Plan Error-correction)により最適化されたシーングラフ構築を提案する。 SCOPEは、シナリオの情報エントロピーを最大化するために、多段階の多様性メトリクスを取り入れている。 SCOPEは誤ったシーングラフに対してより堅牢性を示し、高品質なデータを生成する。
• 参考スコア（独自算出の注目度）: 5.390302912546424
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Task and Motion Planning (TAMP) stands as a fundamental challenge in robotics, essential for enabling autonomous agents to execute complex, long-horizon tasks in diverse environments. While Large Language Models (LLMs) introduce a new paradigm for TAMP by leveraging extensive common sense, their inherent reasoning limitations hinder direct application, and fine-tuning strategies to enhance these capabilities are currently bottlenecked by the scarcity of high-quality datasets. Existing automated generation methods often suffer from homogeneity, limiting model generalization, and unsolvability, where hallucinated scene graphs create physical mismatches with task goals. To address these issues, we propose Scene-graph Construction Optimized by Plan Error-correction (SCOPE), an automated framework designed to generate diverse and executable TAMP datasets. SCOPE incorporates multi-level diversity metrics to maximize the information entropy of scenarios. Crucially, it introduces a Plan Feedback Error-correction pipeline that utilizes planner execution failures as feedback signals to retroactively rectify logical inconsistencies in scene graphs, ensuring physical feasibility. Experimental results demonstrate that SCOPE exhibits greater robustness to erroneous scene graphs and generates higher-quality data. When utilized for LLM fine-tuning, SCOPE-generated data yield a downstream TAMP model that achieves an absolute 12.33% gain in success rate over its counterpart fine-tuned with data generated by DELTA, a state-of-the-art PDDL-based planner.
• Abstract（参考訳）: タスク・アンド・モーション・プランニング(TAMP)は、ロボット工学における基本的な課題であり、自律エージェントが多様な環境で複雑な長期タスクを実行できるようにするのに不可欠である。 LLM(Large Language Models)は、広義の常識を活用することによって、TAMPの新しいパラダイムを導入しているが、それらの固有の推論制限は、直接的な適用を妨げる。 既存の自動生成法は、しばしば均質性、モデル一般化の制限、未解決性に悩まされる。 これらの問題に対処するために,多種多様なTAMPデータセットを生成するための自動フレームワークであるSCOPE(Plan Error-correction)により最適化されたシーングラフ構築を提案する。 SCOPEは、シナリオの情報エントロピーを最大化するために、多段階の多様性メトリクスを取り入れている。 重要なことに、Plan Feedback Error-correction Pipelineを導入し、プランナー実行障害をフィードバック信号として利用して、シーングラフの論理的不整合を遡って修正し、物理的な実現性を保証する。 実験の結果,SCOPEは誤ったシーングラフに対して高い堅牢性を示し,高品質なデータを生成することがわかった。 LLMファインチューニングに使用すると、SCOPEの生成したデータは、最先端のPDDLベースのプランナーであるDELTAが生成したデータにより、絶対12.33%の成功率を達成するダウンストリームTAMPモデルを生成する。

関連論文リスト

• Grasp-Then-Plan with Failure Attribution: A Closed Two-Stage Framework for Precise and Generalizable Robotic Manipulation [12.60091812522059]
  ロボット操作において、握りと運動計画の密結合は、しばしば真の失敗の原因を曖昧にする。 本稿では,GTP-FAを提案する。GTP-FAはタスク指向の2段階のグリップ計画フレームワークで,グリップ候補を生成し,選択したグリップに条件付き下流動作計画を実行する。 GTP-FAは、RL、IL、拡散政治、VLAベースの設定にまたがって、対応するベースラーナーを改善し、全体的なタスク成功率を大幅に向上させることを示す。
  論文  参考訳（メタデータ） (2026-06-02T09:29:03Z)
• Unified Vector Floorplan Generation via Markup Representation [36.228613615394856]
  本稿ではフロアプランマークアップ言語(FML)を紹介し,フロアプラン情報を単一構造文法内にエンコードする表現について述べる。 本研究では,多種多様な条件下で高忠実かつ機能的なフロアプランを生成可能なトランスフォーマーベース生成モデルFMLMを開発した。
  論文  参考訳（メタデータ） (2026-04-06T17:04:30Z)
• Scale-Plan: Scalable Language-Enabled Task Planning for Heterogeneous Multi-Robot Teams [11.964765256346857]
  不均質なマルチロボットシステムのための長期タスクプランニングは、実環境における協調チームの配置に不可欠である。 自然言語命令からタスク関連問題表現をコンパクトに生成する,スケーラブルなLLM支援フレームワークであるScale-Planを提案する。 計画に先立って無関係な情報をフィルタリングすることにより、スケールプランは効率的な分解、割り当て、長期計画生成を可能にします。
  論文  参考訳（メタデータ） (2026-03-09T18:13:18Z)
• MagicAgent: Towards Generalized Agent Planning [73.21129030631421]
  汎用エージェント計画に特化して設計された基盤モデルである textbfMagicAgent について述べる。 多様な計画タスクにまたがる高品質なトラジェクトリを生成する軽量でスケーラブルな合成データフレームワークを提案する。 MagicAgent-32B と MagicAgent-30B-A3B は様々なオープンソースベンチマークにおいて優れた性能を発揮することを示す。
  論文  参考訳（メタデータ） (2026-02-22T01:39:16Z)
• ShowTable: Unlocking Creative Table Visualization with Collaborative Reflection and Refinement [58.957050610762565]
  ShowTableは、プログレッシブな自己修正プロセスを通じて、MLLMと拡散モデルとを相乗化するパイプラインである。 MLLMは視覚計画の推論と視覚的誤りの判断において中心的なオーケストレータとして機能する。 TableVisBenchは、5つの評価次元に800の挑戦的なインスタンスを持つ新しいベンチマークです。
  論文  参考訳（メタデータ） (2025-12-15T13:21:50Z)
• Guardian: Detecting Robotic Planning and Execution Errors with Vision-Language Models [53.20969621498248]
  本稿では,多種多様な計画および実行障害を生成するために,軌道を手続き的に乱す自動ロボット故障合成手法を提案する。 RLBench-Fail, BridgeDataV2-Fail, UR5-Failの3つの新しい故障検出ベンチマークを構築した。 次に、詳細な障害推論と検出のためのマルチビューイメージを備えたVLMであるGuardianをトレーニングします。
  論文  参考訳（メタデータ） (2025-12-01T17:57:27Z)
• Dynamic Generation of Multi-LLM Agents Communication Topologies with Graph Diffusion Models [99.85131798240808]
  我々はtextitGuided Topology Diffusion (GTD) と呼ばれる新しい生成フレームワークを導入する。 条件付き離散グラフ拡散モデルにインスパイアされたGTD式は、反復的な構成過程としてトポロジー合成を行う。 各ステップで生成は、多目的報酬を予測する軽量プロキシモデルによって制御される。 実験により、GTDは高いタスク適応性、スパース、効率的な通信トポロジを生成できることが示されている。
  論文  参考訳（メタデータ） (2025-10-09T05:28:28Z)
• Scaling LLM Planning: NL2FLOW for Parametric Problem Generation and Rigorous Evaluation [0.913755431537592]
  この作業では、ワークフロー計画問題の生成と評価のための完全に自動化されたパイプラインであるNL2Flowが導入されている。 NL2Flowは、構造化中間表現においてパラメトリックに問題を発生させ、それらを自然言語と形式PDDLの両方に翻訳する。 NL2Flowが生成した2296個の低微分問題に基づいて,オープンソースのインストラクション付きLLMを評価した。
  論文  参考訳（メタデータ） (2025-07-03T03:02:49Z)
• Learning from Reward-Free Offline Data: A Case for Planning with Latent Dynamics Models [79.2162092822111]
  我々は,一連のナビゲーションタスクにおいて,強化学習(RL)と制御に基づく手法を体系的に評価する。 我々は、JEPA(Joint Embedding Predictive Architecture)を使用して、潜在ダイナミクスモデルを使用し、それを計画に使用します。 その結果,モデルベースプランニングではレイアウトが不明瞭になるのに対して,モデルフリーのRLは高品質なデータから恩恵を受けることがわかった。
  論文  参考訳（メタデータ） (2025-02-20T18:39:41Z)
• Sequence-Based Plan Feasibility Prediction for Efficient Task and Motion Planning [36.300564378022315]
  本稿では,移動環境における移動操作問題を解決するための学習可能なタスク・アンド・モーション・プランニング(TAMP)アルゴリズムを提案する。 本アルゴリズムのコアは,タスク計画,目標,初期状態を考慮したトランスフォーマーに基づく新しい学習手法であるPIGINetであり,タスク計画に関連する運動軌跡の発見確率を予測する。
  論文  参考訳（メタデータ） (2022-11-03T04:12:04Z)

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。