日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

タスク計画arXiv:2603.13433

実世界における空間的に基づく長期的タスク計画

Spatially Grounded Long-Horizon Task Planning in the Wild

シェア:XThreadsFacebookLINEはてブBluesky

ロボット操作のための空間的に実行可能な長期的行動計画を評価するベンチマークを新たに構築し、実世界のロボットビデオを用いた自動データ生成手法を提案して、VLMの計画能力を向上させる。

詳しい要約

1. どんなもの?

- ロボット操作のためのVision-Language Models (VLMs)による高レベル推論を対象とした研究。 - タスク指示を自然言語の逐次行動計画に分解する際、空間的な実行可能性(どこで操作するか)を評価する新タスク『grounded planning』を定義。 - 新ベンチマーク『GroundedPlanBench』を導入し、階層的なサブアクション計画と空間的アクショングラウンディングを同時評価。 - 実世界のロボット動画デモを活用した自動データ生成フレームワーク『Video-to-Spatially Grounded Planning (V2GP)』を提案。

2. 先行研究と比べてどこがすごい?

- 従来のベンチマークは、生成された計画が空間的に実行可能か(正確な操作位置を指定しているか)を評価していなかった。 - 本研究は、空間的グラウンディングを含む長期的行動計画の評価ギャップを埋める。 - 実世界の操作能力評価を可能にし、VLMの実世界適用における限界を明らかにする点が新しい。

3. 技術・手法の肝は?

- 新タスク『grounded planning』を定義し、階層的サブアクション計画と空間的アクショングラウンディングを統合。 - GroundedPlanBenchを構築し、生成されたサブアクションが空間的に実行可能かを体系的に評価。 - V2GPは実世界のロボット動画デモを利用して、空間的にグラウンディングされた長期的計画を自動生成するフレームワーク。

4. どうやって有効だと検証した?

- GroundedPlanBench上での評価を実施。 - 実世界のロボット操作実験を通じてV2GPの有効性を検証。 - 結果として、V2GPが行動計画と空間的グラウンディングの性能を向上させることを示した。

5. 議論はある?

- 現在のVLMsにとって、空間的にグラウンディングされた長期的計画は依然として主要なボトルネックであると指摘。 - V2GPがその改善に有望なアプローチであることを示唆。 - その他の議論や限界については要旨からは不明。

6. 次に読むべき論文は?

- 要旨で参照/比較されている研究は明示されていない。 - 関連手法として、Vision-Language Models (VLMs)を用いたロボット操作の高レベル推論や、既存の行動計画ベンチマークが挙げられる。 - 同分野の定番として、Robot Manipulation, Task Planning, Vision-Language Models (VLMs)に関する研究が次に読むべき候補。

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Sehun Jung, HyunJee Song, Dong-Hee Kim, Reuben Tan, Jianfeng Gao, Yong Jae Lee, Donghyun Kim

分類: cs.RO, cs.AI

原文アブストラクト

Recent advances in robot manipulation increasingly leverage Vision-Language Models (VLMs) for high-level reasoning, such as decomposing task instructions into sequential action plans expressed in natural language that guide downstream low-level motor execution. However, current benchmarks do not assess whether these plans are spatially executable, particularly in specifying the exact spatial locations where the robot should interact to execute the plan, limiting evaluation of real-world manipulation capability. To bridge this gap, we define a novel task of grounded planning and introduce GroundedPlanBench, a newly curated benchmark for spatially grounded long-horizon action planning in the wild. GroundedPlanBench jointly evaluates hierarchical sub-action planning and spatial action grounding (where to act), enabling systematic assessment of whether generated sub-actions are spatially executable for robot manipulation. We further introduce Video-to-Spatially Grounded Planning (V2GP), an automated data generation framework that leverages real-world robot video demonstrations to improve spatially grounded long-horizon planning. Our evaluations reveal that spatially grounded long-horizon planning remains a major bottleneck for current VLMs. Our results demonstrate that V2GP provides a promising approach for improving both action planning and spatial grounding performance, validated on our benchmark as well as through real-world robot manipulation experiments, advancing progress toward spatially actionable planning.

関連論文

  1. 1Boston Dynamics、車輪付きAtlasの研究試作機を紹介研究・技術
  2. 2GXOとApptronik、Apolloの物流現場試験を拡大 最大1,000台の展開を構想量産・展開
  3. 3newmoとKDDIが資本業務提携 2028年に堺市で自動運転タクシー商用化目指す提携・買収
  4. 4NVIDIA、CoRLでGR00T 2とIsaac Lab 3.0を発表新製品・発表
  5. 5UC BerkeleyとNVIDIAの研究者、AIエージェントでロボット制御コードを仮想環境で改善研究・技術

PR・アフィリエイト広告

FRONTIER(GPU搭載BTOパソコン)

FRONTIER(GPU搭載BTOパソコン)の公式広告バナーFRONTIERでGPU搭載PCを見る ↗
PR本紙発行元 EmplifAI