探索・接地・計画：不完全なシーン知識下でのタスク・動作計画のための機能的十分性
Search, Ground, Plan: Functional Sufficiency for Task and Motion Planning under Incomplete Scene Knowledge
言語と視覚からタスクに必要な機能役割を探索し、物理オブジェクトに接地して機能的十分性を確認してから計画するTAMPフレームワークGRAB-TAMPを提案し、ベースラインを大きく上回る成功率を示した。
詳しい要約
1. どんなもの？
2. 先行研究と比べてどこがすごい？
3. 技術・手法の肝は？
4. どうやって有効だと検証した？
5. 議論はある？
6. 次に読むべき論文は？
※ 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: Narendhiran Vijayakumar, Nav Singhal, Girish Varma, Antony Thomas
分類: cs.RO
原文アブストラクト
Foundation models (FMs) have expanded task and motion planning (TAMP) to manipulation problems specified through language and visual observations. However, incomplete scene knowledge leaves a critical gap between understanding what the task requires and knowing whether the physical scene can actually realize it. We introduce GRAB-TAMP, an FM-based TAMP framework that searches for scene entities required for task completion, grounds functional roles to valid physical objects, and plans only after a complete joint assignment establishes functional sufficiency. We represent the task through functional roles, relations, and assignment constraints, and incrementally inspect the scene while requirements remain unresolved, verifying candidate objects through semantic, geometric, and relational checks. We evaluate GRAB-TAMP across 32 scene variants spanning Kitchen, Living Room, and Workshop domains. Across 200 feasible trials, our approach achieves 54.0% end-to-end success with 67.3% plan goal coverage. Compared with three FM-based TAMP frameworks under the same execution setting, GRAB-TAMP improves end-to-end success by 25.7 percentage points over the mean baseline. Implementation and evaluation code: https://github.com/Narendhiranv04/GRAB-TAMP
関連論文
- 視認性を考慮したタスク・動作計画とタスク中心の知覚タスク・動作計画
- 汎用タスク・動作計画問題に対するコーディングエージェントタスク・動作計画
- 視覚言語モデルを用いた証拠ゲート型タスク・動作計画タスク・動作計画
- シンボリックな時空間動作抽象化のインクリメンタル学習によるスケジューリングと動作計画の交互実行タスク・動作計画
- 大規模言語モデルによる部分観測タスク・動作計画の状態推定ガイドタスク・動作計画
- H-WM：階層型ワールドモデルによるロボットのタスク・動作計画タスク・動作計画
