身体化AI2026/11/10arXiv:2611.13669

身体化された計画を理解するための計算フレームワーク

A computational framework for understanding embodied plans

身体力学と物体との相互作用を統合した多階層状態空間を生成モデルに埋め込み、人間が他者の身体化された計画や目標をどう推論するかを再現・予測する枠組みGenEAを提案した論文。

詳しい要約

1. どんなもの？

- 人間の行動から計画や目標を推論する能力を、自然なembodied設定で形式化する計算フレームワーク - GenEAと名付けた新規のagent representationを提案 - 多段階・長期的(long-horizon)なembodied planの推論が可能 - 目標とembodied planの同時確率分布を生成モデルで表現する

2. 先行研究と比べてどこがすごい？

- 従来のtask-and-motion planningを拡張し、simulation-based intuitive physicsと統合 - 強い代替モデル(plausible heuristics、標準的task-and-motion planning、state-of-the-art vision-language model)を一貫して上回る - 人間のembodied plan推論を再現できる点が新しい - 自然なembodied設定での形式化という長年の課題に取り組む

3. 技術・手法の肝は？

- 多レベル状態空間(multilevel state-space)が中核 - 関節体の粗いbiomechanicsと近傍物体とのinteractionを結合 - roboticsのtask-and-motion planningをsimulation-based intuitive physicsで拡張 - この状態空間を生成モデルに埋め込み、目標とplanの同時確率分布を得る - この同時分布の単純な変換により人間の推論を再現

4. どうやって有効だと検証した？

- object manipulationとnavigationという質的に異なる複数ドメインで実験 - 多様なタスクと複数の行動指標(behavioral measures)を使用 - GenEAが人間のembodied plan推論を再現することを示す - plausible heuristics、標準task-and-motion planning、state-of-the-art vision-language modelと比較し一貫して優位

5. 議論はある？

- 人間の推論と社会認知のアーキテクチャへの新しい視点を提供 - 人間と円滑にinteractするembodied AIシステムはGenEAのような生成モデルを採用すべきと示唆 - 具体的な限界や失敗ケース、計算コストについては要旨からは不明

6. 次に読むべき論文は？

- 比較対象の標準的task-and-motion planningに関する文献 - simulation-based intuitive physicsの関連研究 - state-of-the-art vision-language model(具体名は要旨からは不明) - 人間のsocial cognition・action understandingに関する認知科学的研究

※ 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: Aalap D. Shah, Basil Saeed, Joshua B. Tenenbaum, Tobias Gerstenberg, Hyowon Gweon, Ilker Yildirim

分類: cs.AI, cs.HC, cs.RO

原文アブストラクト

Reasoning about people's plans and goals based on their actions is fundamental to human social interaction and essential for cooperative, embodied artificial intelligence. Formalizing this capacity in naturalistic, embodied settings has been a longstanding challenge. Here, we present GenEA, a novel agent representation capable of reasoning over multi-step, long-horizon embodied plans. At the heart of GenEA lies a multilevel state-space that couples the coarse biomechanics of an articulated body and its interactions with nearby objects by extending the task-and-motion planning framework from robotics with simulation-based intuitive physics. By embedding this state-space in a generative model, GenEA yields a joint probability distribution over goals and embodied plans. Across several experiments spanning the qualitatively distinct domains of object manipulation and navigation, featuring diverse tasks and multiple behavioral measures, we show that GenEA, through simple transformations of this joint distribution, recapitulates how humans reason about embodied plans. Crucially, GenEA consistently outperforms strong alternative models, including plausible heuristics, standard task-and-motion planning, and a state-of-the-art vision-language model. GenEA thereby offers a new perspective on the architecture of human reasoning and social cognition, suggesting that embodied artificial intelligence systems seeking to seamlessly interact with humans should adopt GenEA-like generative models of action planning.

arXivで原文を読む →arXiv概要ページ

← 論文一覧