日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

身体化推論/タスク計画arXiv:2606.31260

まず計画を立て、それから精密に調整する:効率的な身体化推論のためのシンボリック強化学習

Plan Right, Then Plan Tight: Symbolic RL for Efficient Embodied Reasoning

シェア:XThreadsFacebookLINEはてブBluesky

身体化タスク計画において、BDDL仕様を共有インターフェースとして用い、ビデオからBDDLへのパーサー、LLM検証器、軽量シンボリックエンジンを組み合わせることで、ミリ秒単位の密な報酬を提供し、難易度適応型の長さスケジュールGroupAdaptを導入して、8BプランナーのBEHAVIOR-1000での性能を大幅に向上させた。

詳しい要約

1. どんなもの?

自然言語指示を物理シーンで実行可能な行動列に変換する Embodied task planning の研究。家庭・介助・サービスロボットの基盤。prompting ベースや RL プランナは流暢な行動テキストを生成するが、対象世界での妥当性を安価に決定論的に検証する手段がなく、高忠実度 simulation は inner-loop の訓練信号としては遅すぎる。そこで BDDL 仕様をデータ構築・計画検証・報酬設計の共有インタフェースとして用い、video-to-BDDL parser、LLM verifier、軽量 symbolic engine でミリ秒遅延の密なフィードバックを与える。さらに GroupAdapt という難易度対応の長さスケジュールを導入する。

2. 先行研究と比べてどこがすごい?

従来の prompting ベース/RL プランナは流暢な行動テキストを出すが、文字列レベルのマッチングや完全 simulation に頼らず検証可能な監督・報酬を得るのが困難だった。本研究は単一の BDDL 仕様を共有インタフェースとし、ミリ秒遅延で密なフィードバックを供給。8B planner は BEHAVIOR-1000 で Strict-Pass 97.3 を達成し、Qwen3-8B baseline 比 25.9% 相対改善、最強の大規模モデル baseline を 3.5% 上回り、応答長を 79% 圧縮して 207 tokens にした。

3. 技術・手法の肝は?

単一の BDDL 仕様をデータ構築・計画検証・報酬設計の共有インタフェースとして自動構築(open-world video evidence または curated tasks から)。video-to-BDDL parser、LLM verifier、軽量 symbolic engine がミリ秒遅延で密なフィードバックを供給。GroupAdapt は in-batch group pass rate をゼロコスト信号として使う難易度対応の長さスケジュールで、難しい prompt には広い長さ許容を与え、pass rate 改善に伴い自動的に締め付ける。

4. どうやって有効だと検証した?

BEHAVIOR-1000 で 8B planner が Strict-Pass 97.3 を達成。Qwen3-8B baseline 比 25.9% 相対改善、最強の大規模モデル baseline を 3.5% 上回る。同時に応答長を 79% 圧縮し 207 tokens に。

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 Qwen3-8B baseline、BEHAVIOR-1000、BDDL、LLM verifier、symbolic engine、GroupAdapt に関連する研究。同分野の定番として embodied task planning、prompting-based planner、reinforcement-learning planner、high-fidelity simulation など。

※ 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: Xiangli Shi, Xiaomeng Zhu, Ye Tian, Yuchun Guo, Ziyang Sun, Lujie Yin, Yuxuan Zhou, Yufei Huang

分類: cs.RO

原文アブストラクト

Embodied task planning asks an agent to turn a natural-language instruction into an executable sequence of actions in a physical scene, and is a building block for household, assistive, and service robots. Recent prompting-based and reinforcement-learning planners generate fluent action text but lack a cheap deterministic check that the produced plan is valid in the target world, while high-fidelity simulation is too slow to serve as an inner-loop training signal. The general problem is therefore how to obtain verifiable supervision and rewards for embodied planners without relying on string-level matching or full simulation. Here we show that a single BDDL specification, automatically constructed from open-world video evidence or curated tasks, can serve as a shared interface for data construction, plan verification, and reward design. A video-to-BDDL parser, an LLM verifier, and a lightweight symbolic engine together supply dense feedback at millisecond latency. We further introduce GroupAdapt, a difficulty-aware length schedule that uses the in-batch group pass rate as a zero-cost signal so that hard prompts get wider length tolerance and automatically tighten as their pass rate improves. Under the guidance of the proposed verifier and GroupAdapt schedule, the 8B planner attains a Strict-Pass score of 97.3 on BEHAVIOR-1000, yielding a 25.9 percent relative improvement over the Qwen3-8B baseline. This result exceeds the strongest large-model baseline by 3.5 percent, while simultaneously compressing the response length by 79 percent to 207 tokens, demonstrating both effectiveness and efficiency.

  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