計画/アフォーダンス2026/4/1arXiv:2604.14902

ADAPT: 不特定のアフォーダンス制約下での常識的計画のベンチマーク

ADAPT: Benchmarking Commonsense Planning under Unspecified Affordance Constraints

動的環境で物体のアフォーダンスが変化し指示に明示されない状況を評価するベンチマークDynAffordを導入し、既存プランナーにアフォーダンス推論を追加するモジュールADAPTを提案した。

詳しい要約

1. どんなもの？

- 指示追従だけでなく、対象物体が実際に操作可能かを評価する affordance 推論を組み込んだ embodied agent 向けベンチマーク DynAfford を提案。 - 物体の affordance が時間とともに変化し、指示に明示されない動的環境を扱う。 - 既存 planner に affordance 推論を追加する plug-and-play モジュール ADAPT も導入。

2. 先行研究と比べてどこがすごい？

- 既存手法は指示を直接実行することに集中し、対象物体を操作可能か（available affordances）を評価しない点を指摘。 - DynAfford は affordance が時間変化し指示に明示されない設定を評価対象とする点で先行ベンチマークと異なる。 - ADAPT により既存 planner の robustness と task success を seen/unseen 環境で改善。

3. 技術・手法の肝は？

- ADAPT は既存 planner に explicit affordance reasoning を付加する plug-and-play モジュール。 - agent は物体状態を perceive し、暗黙の precondition を infer し、行動を adapt する必要がある。 - affordance inference backend として domain-adapted な LoRA-finetuned vision-language model を用いる。

4. どうやって有効だと検証した？

- DynAfford ベンチマーク上で ADAPT を組み込むと robustness と task success が有意に改善することを実験で示す。 - seen 環境と unseen 環境の両方で有効性を確認。 - affordance inference backend として LoRA-finetuned VLM が商用 LLM（GPT-4o）を上回ることを示す。

5. 議論はある？

- task-aligned affordance grounding の重要性を強調。 - 商用 LLM（GPT-4o）より domain-adapted LoRA-finetuned VLM が優れる点を議論。 - その他の限界や議論は要旨からは不明。

6. 次に読むべき論文は？

- 要旨で参照/比較されている研究: GPT-4o、LoRA-finetuned vision-language model。 - 関連手法として embodied planning、affordance reasoning、vision-language model を用いた planner が挙げられる。 - 具体的な論文名は要旨からは不明。

※ 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: Pei-An Chen, Yong-Ching Liang, Jia-Fong Yeh, Hung-Ting Su, Yi-Ting Chen, Min Sun, Winston Hsu

分類: cs.AI, cs.CL, cs.CV, cs.RO

原文アブストラクト

Intelligent embodied agents should not simply follow instructions, as real-world environments often involve unexpected conditions and exceptions. However, existing methods usually focus on directly executing instructions, without considering whether the target objects can actually be manipulated, meaning they fail to assess available affordances. To address this limitation, we introduce DynAfford, a benchmark that evaluates embodied agents in dynamic environments where object affordances may change over time and are not specified in the instruction. DynAfford requires agents to perceive object states, infer implicit preconditions, and adapt their actions accordingly. To enable this capability, we introduce ADAPT, a plug-and-play module that augments existing planners with explicit affordance reasoning. Experiments demonstrate that incorporating ADAPT significantly improves robustness and task success across both seen and unseen environments. We also show that a domain-adapted, LoRA-finetuned vision-language model used as the affordance inference backend outperforms a commercial LLM (GPT-4o), highlighting the importance of task-aligned affordance grounding.

arXivで原文を読む →arXiv概要ページ

← 論文一覧