日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

計画/シンボリック推論arXiv:2606.22488

SCOPE: オープンエンド環境における計画のためのシンボリック世界の進化

SCOPE: Evolving Symbolic World for Planning in Open-Ended Environments

シェア:XThreadsFacebookLINEはてブBluesky

視覚言語モデルと古典的プランナーを統合した計画手法において、不完全なシンボリック表現を自己適応的に進化させるフレームワークSCOPEを提案し、環境摂動下での計画成功率と適応性を向上させた。

詳しい要約

1. どんなもの?

- オープンエンド環境での長期的な身体タスク計画のための自己適応型シンボリック計画フレームワークSCOPEを提案。 - 視覚言語モデル(VLM)と古典的プランナーを統合し、不完全なシンボリック表現を改善する。 - シンボリック実行シミュレータ(SESim)と自己適応型シンボリックメモリ(SASMem)の2つのモジュールから構成。 - シンボリック世界の進化と計画の洗練を可能にする。

2. 先行研究と比べてどこがすごい?

- 従来のVLMと古典的プランナーの統合では、知覚から得られるシンボリック表現が不完全で性能が劣化する問題があった。 - SCOPEは自己適応的にシンボリック世界を進化させ、計画を洗練することで、この問題に対処。 - オープンエンド環境でのシンボリック世界の完全性、計画成功率、クロスタスク適応性を大幅に向上。

3. 技術・手法の肝は?

- SESimがシンボリック検証と実実行を行い、フィードバックを利用して計画を洗練しシンボリック世界を進化させる。 - SASMemがフィードバックを蒸留し、進化するシンボリック知識を構築して長期的計画とシンボリック世界のモデリングを強化。 - 2つのモジュールが相乗的に機能し、自己適応的な計画を実現。

4. どうやって有効だと検証した?

- オープンエンド環境での実験により、シンボリック世界の完全性、環境摂動下での計画成功率、多様な身体シナリオでのクロスタスクグラウンディングと適応性の向上を確認。 - 具体的な評価指標やデータセットは要旨からは不明。

5. 議論はある?

- 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)と古典的プランナーを統合した研究が挙げられる。

※ 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: Yundaichuan Zhan, Minghe Gao, Zhongqi Yue, Wendong Bu, Wenqiao Zhang, Guoming Wang, Jisheng Dang, Juncheng Li, Siliang Tang, Yueting Zhuang

分類: cs.AI

原文アブストラクト

Recent works have explored integrating Vision-Language Models (VLMs) with classical planners that rely on symbolic representations of planning problems to generate long-horizon plans for complex embodied tasks. However, in open-ended environments, these symbolic representations obtained from perception are often incomplete, leading to suboptimal performance. To address this, we introduce SCOPE, a self-adaptive symbolic planning framework that supports refining action plans and evolving the symbolic world, i.e., the symbolic representations of open-ended environments. SCOPE comprises two synergistic modules: a Symbolic Execution Simulator (SESim) that conducts symbolic validation and real execution of action plans, leveraging the feedback to refine the plans and evolve the symbolic world; and a Self-Adaptive Symbolic Memory (SASMem) that further distills feedback into evolving symbolic knowledge to enhance long-horizon planning and modeling of the symbolic world. Experiments in open-ended environments show that SCOPE significantly improves the completeness of the symbolic world, the success rate of plans under environment perturbations, and cross-task grounding and adaptability across diverse embodied scenarios.

  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

OZ GAMING(GPU搭載BTOゲーミングPC)

OZ GAMING(GPU搭載BTOゲーミングPC)の公式広告バナーOZ GAMINGで完成品PCを見る ↗
PR本紙発行元 EmplifAI