日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

VLAarXiv:2606.12852

WISE: Minecraftにおける長期的目標達成エージェントのためのWhy-Which推論

WISE: A Long-Horizon Agent in Minecraft with Why-Which Reasoning

シェア:XThreadsFacebookLINEはてブBluesky

Minecraftのような環境での長期的タスクを達成するエージェント向けに、因果イベントグラフを用いた記憶と推論を統合したフレームワークWISEを提案し、従来手法より成功率と効率を向上させた。

詳しい要約

1. どんなもの?

- Minecraftにおける長期ホライズンタスクを実行する汎用embodied agentフレームワークWISEを提案。 - 低レベルコントローラの性能ボトルネックを解消するため、Causal Event Graphを導入し、episodic memoryに因果構造を付与。 - Opportunistic Task Schedulerとmulti-scale progressive exploration strategyを組み合わせ、適応的な意思決定を可能にする。

2. 先行研究と比べてどこがすごい?

- 先行研究のMrSteveは特徴類似性に基づく記憶検索を行い、視点変化に弱い。 - WISEは因果構造を利用することで、視点変化下でもロバストな想起を実現。 - さらに、因果的に関連する機会を検出してサブタスクを動的に再優先化する点が新しい。

3. 技術・手法の肝は?

- Causal Event Graph:episodic memoryに観測とタスク関連性を結ぶ因果構造を明示的に付与。 - Opportunistic Task Scheduler:因果的に関連する機会を検出するとサブタスクを再優先化。 - Multi-scale progressive exploration strategy:空間的に包括的な観測を提供し、下流の推論を支援。

4. どうやって有効だと検証した?

- 長期ホライズンで疎なタスクにおいて、WISEがタスク成功率と効率を大幅に改善することを実験で示した。 - 特に適応的な意思決定が要求される設定で有効性を確認。

5. 議論はある?

- 低レベルコントローラの繰り返し失敗が性能ボトルネックであると指摘。 - 記憶の欠如だけでなく、what-where-when記憶とwhich-why推論の分離が限界であると議論。 - 因果構造の導入がロバストな想起と機会的タスク再順序付けを可能にすることを主張。

6. 次に読むべき論文は?

- MrSteve(特徴類似性に基づく記憶検索を行う先行研究) - LLM-augmented hierarchical approaches(Minecraftにおける汎用embodied agentの階層的アプローチ)

※ 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: Renmin Cheng, Changhao Chen

分類: cs.AI

原文アブストラクト

Rapid advances have been made in developing general-purpose embodied agent in environments like Minecraft through the adoption of LLM-augmented hierarchical approaches. Despite their promise, low-level controllers often become performance bottlenecks due to repeated execution failures. We argue that a key limitation is not only the lack of episodic memory, but also the decoupling of \textit{what-where-when} memory from \textit{which-why} reasoning. To address this, we propose \textbf{WISE} (Which-Why Informed Semantic Explorer), a long-horizon agent framework with an enhanced low-level controller equipped with a Causal Event Graph that augments episodic memory with explicit causal structure linking observations to task relevance. Unlike prior work such as MrSteve, which relies on feature similarity for retrieval, WISE enables robust recall under viewpoint changes and supports opportunistic task reordering through causal reasoning. Building on this memory, we propose an Opportunistic Task Scheduler that dynamically re-prioritizes subtasks when causally relevant opportunities are detected. We further equip WISE with a multi-scale progressive exploration strategy to provide spatially comprehensive observations for downstream reasoning. Experiments show that WISE largely improves task success and efficiency on long-horizon sparse tasks, particularly in settings requiring adaptive decision-making.

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. 2newmo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
  3. 3GXO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
  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