日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

群制御arXiv:2608.01428

再計画がボトルネックになるとき:身体化エージェントのための予算制約付き再計画

When Replanning Becomes the Bottleneck: Budgeted Replanning for Embodied Agents

シェア:XThreadsFacebookLINEはてブBluesky

LLMベースの再計画の遅延が増大する問題に対し、再計画を予算制御ループとして扱うBRACEと、トークン刈り込み手法E-RECAPを提案し、遅延違反率を大幅に削減した。

詳しい要約

1. どんなもの?

本論文は、LLMベースのEmbodied Agentにおけるreplanning(再計画)の遅延問題に着目し、replanningを予算制御ループとして扱う新しいコントローラBRACEを提案する。BRACEは、replanningの実行有無、モード選択、トークン予算とレイテンシSLOの割り当てを決定する。また、再利用可能なコンポーネントとして、トークンの有用性を予測し、Transformer層をまたいでreplanningコンテキストを枝刈りするE-RECAPを導入する。

2. 先行研究と比べてどこがすごい?

従来のreplanning手法は、平均レイテンシや成功率のみに注目し、replanning呼び出しの累積コンテキストが大きくなった際に発生する重いテール(heavy tails)やリアルタイムデッドラインの超過を見逃していた。BRACEは、テールを意識した予算制御を導入し、成功率が飽和した状況でもSLO違反率を大幅に削減する点が新しい。

3. 技術・手法の肝は?

BRACEは、replanningを予算制御ループとして定式化し、①replanningの要否判断、②replanningモードの選択、③明示的なトークン予算とレイテンシSLOの割り当てを行う。E-RECAPは、コストを意識したプログレッシブなトークン枝刈り手法で、トークンの有用性を予測し、Transformer層をまたいで重要でないトークンを削除しつつ、ヘッドとテールのトークンを保持する。

4. どうやって有効だと検証した?

Meta Habitat、RoboFactory、AirSimの3つのプラットフォームで評価。BRACE + E-RECAPは、replanning呼び出しのトークン数を62-92%削減し、SLO違反率を85.5-100.0%から4.7-50.0%に低減(成功率が飽和した設定)。より困難なRoboFactory設定では、open-loop、frozen-plan、No BRACEがすべて失敗する中、BRACE + E-RECAPは80.0%の成功率と4.6%のSLO違反率を達成。

5. 議論はある?

要旨からは、提案手法の限界やトレードオフについての議論は不明。ただし、成功率が飽和した状況でのSLO改善に焦点を当てており、成功率とレイテンシのトレードオフや、E-RECAPの枝刈りがタスク性能に与える影響などが今後の課題として考えられる。

6. 次に読むべき論文は?

要旨で参照されている関連研究は明示されていないが、Embodied Agentのreplanning、LLMベースの計画、トークン枝刈り(token pruning)、予算制御(budgeted control)に関する研究が関連する。具体的には、LLMの推論効率化やコンテキスト圧縮の手法、Embodied AIのベンチマーク(Meta Habitat、RoboFactory、AirSim)に関する論文が挙げられる。

※ 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: Shuaijun Liu, Feiyang You, Xingwei Chen, Ningxin Su

分類: cs.RO, cs.AI, cs.LG

原文アブストラクト

Embodied agents replan frequently to recover from execution drift, partial observability, and coordination hazards, but each LLM-based replanning call can consume an accumulated textual context that grows over time and across agents. Once this context becomes large, replanning latency develops heavy tails and can miss real-time deadlines even when task success remains high, a failure mode that is hard to detect from average latency or success alone. We present BRACE, a controller that formulates replanning as a budgeted control loop by deciding whether to replan, selecting a replanning mode, and allocating an explicit token budget and latency service-level objective (SLO) while accounting for optional efficiency modules. As a reusable component, we introduce E-RECAP, a cost-aware progressive token pruning method that predicts token utility and prunes replanning contexts across transformer layers while preserving critical head and tail tokens. Across Meta Habitat, RoboFactory, and AirSim, BRACE with E-RECAP reduces replanning-call token counts by 62-92% and SLO violation rates from 85.5-100.0% to 4.7-50.0% in settings where task success is already saturated. In a harder RoboFactory setting where open-loop, frozen-plan, and No BRACE all fail, BRACE + E-RECAP reaches 80.0% success with 4.6% SLO violations, demonstrating that tail-aware per-call budgeting is effective across embodied platforms.

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

MINISFORUM(ミニPC)

MINISFORUM(ミニPC)の公式広告バナーMINISFORUM公式ストアを見る ↗
PR本紙発行元 EmplifAI