MORE: 接地された言語推論による移動マニピュレーション再配置

- 自律的な長期間の移動マニピュレーションは、シーン dynamics、未探索領域、エラー回復など多くの課題を含む。 - 最近の研究は foundation models をシーンレベルのロボット推論と計画に活用している。 - しかし、これらの手法は多数の物体や大規模環境を扱うと性能が低下する。 - この制限に対処するため、MORE を提案する。 - MORE は言語モデルの能力を強化し、再配置タスクの zero-shot 移動マニピュレーション計画を解決する新しいアプローチである。 - シーングラフを用いて環境を表現し、インスタンスの区別を組み込み、タスク関連のサブグラフを抽出する active filtering scheme を導入する。 - これにより有界な計画問題を生成し、hallucinations を軽減し信頼性を向上させる。 - 屋内・屋外環境での計画を可能にするいくつかの拡張を導入する。 - BEHAVIOR-1K ベンチマークの 81 の多様な再配置タスクで評価し、最近の foundation model ベースのアプローチを上回る。 - 複雑な実世界タスクでも能力…

- 最近の foundation model ベースの手法はシーンレベルの推論と計画に活用されているが、多数の物体や大規模環境では性能が低下する。 - MORE はシーングラフ、インスタンス区別、active filtering scheme を導入し、有界な計画問題を生成することで、hallucinations を軽減し信頼性を向上させる。 - 屋内・屋外環境の両方での計画を可能にする拡張を導入している。 - BEHAVIOR-1K ベンチマークの 81 タスクで、最近の foundation model ベースのアプローチを上回り、ベンチマークの相当割合を初めて成功裏に解決した。 - 複雑な実世界タスクでも能力を実証している。

- 環境をシーングラフで表現する。 - インスタンスの区別を組み込む。 - active filtering scheme を導入し、タスクに関連する物体と領域のインスタンスのサブグラフを抽出する。 - これにより有界な計画問題を生成し、hallucinations を軽減し信頼性を向上させる。 - 屋内・屋外環境の両方での計画を可能にするいくつかの拡張を導入する。 - 言語モデルの能力を強化し、zero-shot 移動マニピュレーション計画を解決する。

- BEHAVIOR-1K ベンチマークから 81 の多様な再配置タスクで評価した。 - 最近の foundation model ベースのアプローチを上回り、ベンチマークの相当割合を初めて成功裏に解決した。 - さらに、いくつかの複雑な実世界タスクで能力を実証した。 - 実世界タスクは日常活動を模倣したものである。

- 要旨からは不明。

- BEHAVIOR-1K ベンチマーク - foundation model ベースのアプローチ（具体的な論文名は要旨からは不明） - シーングラフを用いたロボット計画手法（関連手法として）