X-Planner: 身体性知能のためのイベント構造化タスクプランニング

- 本論文は、embodied intelligence における long-horizon manipulation のためのタスクプランニングフロントエンド X-Planner を提案する。 - 既存の Vision-Language-Action (VLA) システムでは中間構造が暗黙的であり、chain-of-thought (CoT) プランナーは粗いタスクレベル注釈やトークン単位の逐次推論に依存する問題がある。 - X-Planner は、Ego、UMI、teleoperation のデータを階層的粒度で組み合わせ、ソース依存の注釈深度を持つ計画データを構築する。 - モデル側では、共有 VLM backbone が離散インターフェース（解釈可能なイベント状態）と潜在インターフェース（Staircase Decoding による連続 CoT 状態）の2つのイベント構造化計画形式を提供する。 - 凍結された latent-to-text 再構成目的が潜在表現の意味的アンカーとして機能する。

- 既存の CoT プランナーは粗いタスクレベル注釈やトークン単位の逐次推論に依存するが、X-Planner はイベント構造化された計画形式と階層的粒度のデータを導入する。 - 従来の VLA システムでは中間構造が暗黙的であるのに対し、X-Planner は明示的な計画フロントエンドを提供する。 - 離散インターフェースと潜在インターフェースの両方を備え、Staircase Decoding により連続 CoT 状態を伝達する点が新しい。 - 凍結された latent-to-text 再構成目的により、潜在表現に意味的アンカーを与える点も先行研究と異なる。

- 計画データは Ego、UMI、teleoperation を階層的粒度で統合し、ソース依存の注釈深度を設定する。 - Takeover-time annotations と human-designed failures が進行中のエラー認識を監督する。 - 共有 VLM backbone が2つのイベント構造化計画形式を露出する：離散インターフェースは解釈可能なイベント状態を出力し、潜在インターフェースは Staircase Decoding を通じて連続 CoT 状態を段階的な Transformer 深さで中継する。 - 凍結された latent-to-text 再構成目的が潜在表現の意味的アンカーとして機能する。

- オフラインの two-step planning 評価において、4つの評価モデル中で BERTScore-F1 と judge-based Overall score の両方で X-Planner が2位となった。 - 実ロボット実験では、評価されたベースラインをそれぞれ上回った。 - これらの結果は計画テキストの品質と下流の実行を特徴づける。

- 要旨からは、X-Planner の限界や失敗事例、計算コスト、スケーラビリティに関する議論は明示されていない。 - オフライン評価で2位であったことの要因や、実ロボット実験の詳細な条件・ベースラインとの比較についての議論は要旨からは不明。

- 要旨で参照/比較されている研究は明示されていないが、関連手法として chain-of-thought (CoT) プランナー、Vision-Language-Action (VLA) システム、Staircase Decoding が挙げられる。 - 同分野の定番として、Ego、UMI、teleoperation データセットや Transformer ベースの VLM に関する論文を読むことが推奨される。