日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

対話的プランニングarXiv:2603.15888

AsgardBench:最小限のフィードバック下での視覚に基づく対話的プランニングの評価

AsgardBench -- Evaluating Visually Grounded Interactive Planning Under Minimal Feedback

シェア:XThreadsFacebookLINEはてブBluesky

視覚に基づく高レベルの行動系列生成と対話的プランニングを評価するベンチマークを提案し、実行中の視覚観察に基づくプラン適応に焦点を当てる。

詳しい要約

1. どんなもの?

- 視覚に基づく高レベル行動系列生成と対話的計画を評価するベンチマーク - 実行中の視覚観察に基づく計画適応に焦点 - ナビゲーションや低レベル操作は対象外 - 108のタスクインスタンス、12のタスクタイプ - 物体状態・配置・シーン構成を体系的に変化 - 単一指示でも観察に応じて異なる行動系列が必要な条件分岐を生成 - エージェント入力は画像、行動履歴、軽量な成功/失敗信号に限定 - 低レベル制御ノイズのない制御されたシミュレータ

2. 先行研究と比べてどこがすごい?

- 従来のembodied AIベンチマークは推論とナビゲーションを混同したり、知覚を代替する豊富な修正フィードバックを提供 - AsgardBenchは入力を画像・行動履歴・軽量な成功/失敗信号に制限し、対話的計画を分離 - オフラインの高レベル計画より高度で、低レベル実行とは異なる能力カテゴリを対象 - 条件分岐と実行中の計画修復を強調する点が新しい

3. 技術・手法の肝は?

- 制御されたシミュレータ内で、視覚に基づく高レベル行動系列生成と対話的計画を評価 - 物体状態・配置・シーン構成を体系的に変化させ、条件分岐を生成 - エージェント入力は画像、行動履歴、軽量な成功/失敗信号のみ - 低レベル制御ノイズを排除し、対話的計画を孤立して評価

4. どうやって有効だと検証した?

- 主要なvision language modelsを評価 - 視覚入力なしでは性能が急落し、視覚的接地と状態追跡の弱さを明らかにした - ベンチマークが視覚を実際に計画適応に使えるかを問うことを示した

5. 議論はある?

- 視覚入力なしで性能が急落することから、視覚的接地と状態追跡の弱点が対話的計画を損なうと議論 - ベンチマークは「モデルが実際に見たものを使って、予期せぬ事態に計画を適応できるか」という狭い問いに焦点 - その他の議論や限界は要旨からは不明

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 - 同分野の定番として、embodied AI benchmarks、vision-language models、interactive planning、high-level planning、low-level manipulationに関する研究が挙げられる

※ 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: Andrea Tupini, Lars Liden, Reuben Tan, Yu Wang, Jianfeng Gao

分類: cs.AI, cs.CV, cs.RO

原文アブストラクト

With AsgardBench we aim to evaluate visually grounded, high-level action sequence generation and interactive planning, focusing specifically on plan adaptation during execution based on visual observations rather than navigation or low-level manipulation. In the landscape of embodied AI benchmarks, AsgardBench targets the capability category of interactive planning, which is more sophisticated than offline high-level planning as it requires agents to revise plans in response to environmental feedback, yet remains distinct from low-level execution. Unlike prior embodied AI benchmarks that conflate reasoning with navigation or provide rich corrective feedback that substitutes for perception, AsgardBench restricts agent input to images, action history, and lightweight success/failure signals, isolating interactive planning in a controlled simulator without low-level control noise. The benchmark contains 108 task instances spanning 12 task types, each systematically varied through object state, placement, and scene configuration. These controlled variations create conditional branches in which a single instruction can require different action sequences depending on what the agent observes, emphasizing conditional branching and plan repair during execution. Our evaluations of leading vision language models show that performance drops sharply without visual input, revealing weaknesses in visual grounding and state tracking that ultimately undermine interactive planning. Our benchmark zeroes in on a narrower question: can a model actually use what it sees to adapt a plan when things do not go as expected?

  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