マニピュレーション2026/9/24arXiv:2609.29212

ADM-Planner: 注意強化型動的メモリを用いたLLM誘導による移動マニピュレータの長期計画

ADM-Planner: LLM-Guided Long-Horizon Planning for Mobile Manipulators with Attention-Enhanced Dynamic Memory

LLMが移動マニピュレーションの長期計画を立てる際、注意機構で強化した動的メモリで作業空間の状態を管理し、変化に応じて再計画することで、ノイズの多い動的環境でも高い成功率を達成した。

詳しい要約

1. どんなもの？

- LLMでmobile manipulatorの長期タスク計画を行うADM-Plannerを提案 - attention-enhanced dynamic memory (ADM)を中核に据える - 永続的なworkspace知識とobject-centric stateを分離 - 非同期な観測・行動結果でstateを更新 - 次決定に影響するentryのみをbounded retrieverが提示 - 更新で残計画が無効化されるとLLMがreplan

2. 先行研究と比べてどこがすごい？

- 固定scene記述は物体の発見・移動・完了で陳腐化 - 全観測保持は冗長・矛盾した履歴が増大 - ADMは選択的state維持でこの緊張を解消 - 14-container noisy dynamic設定でfull-task成功100% - static memory 62%、unfiltered dynamic memory 97%を上回る - unfiltered比でcontext-size proxyを95.8%削減 - PyBullet 60試行でADM 100%、static memory 50%

3. 技術・手法の肝は？

- LLM-guided planning frameworkとしてADM-Plannerを構成 - persistent workspace knowledgeとobject-centric stateを分離 - 非同期観測・行動outcomeでstateを更新 - bounded retrieverが次決定に影響するentryのみ公開 - 更新が残計画を無効化した際にLLMがreplan - attention-enhanced dynamic memory (ADM)が選択的state維持を担う

4. どうやって有効だと検証した？

- 1,500 task-simulator episodesで評価 - 14-container noisy dynamic設定でfull-task成功100% - static memory 62%、unfiltered dynamic memory 97%と比較 - context-size proxyをunfiltered比95.8%削減 - 6-episode live GPT-5 Mini plannerで両dynamic memory variantが全mission完了 - ADMはprovider-reported input tokensを14.4%削減 - mean planner callsを7.0から6.0へ削減 - 別途60-trial PyBullet studyでADM 100%、static memory 50% - 屋内・屋外のphysical experimentsで実行開始後に現れたtargetも組み込み完了

5. 議論はある？

- prompt historyのみより選択的state維持が実用的基盤と主張 - 変化する環境でのlong-horizon planningに有効と結論 - 固定scene記述の陳腐化と全観測保持の冗長・矛盾の緊張を指摘 - ADMがその解決策として提示される - 具体的な限界・失敗事例・計算コストの詳細は要旨からは不明

6. 次に読むべき論文は？

- static memoryとの比較研究 - unfiltered dynamic memoryとの比較研究 - LLM-guided long-horizon planningの関連手法 - mobile manipulator向けplanning研究 - attention機構を用いたmemory管理研究 - 要旨で参照/比較されている個別論文名は要旨からは不明

※ 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: Jiaping Xiao, Pingyuan Ji, Mir Feroskhan

分類: cs.RO

原文アブストラクト

Large language models can decompose mobile-manipulation goals into long action sequences, but the resulting plans remain reliable only while their world context is current. A fixed scene description becomes stale when objects are discovered, moved, or completed while retaining every observation instead produces a growing history with redundant and conflicting state. To resolve this tension, we present an LLM-guided planning framework ADM-Planner with attention-enhanced dynamic memory (ADM). Persistent workspace knowledge is separated from object-centric state, asynchronous observations and action outcomes update that state, and a bounded retriever exposes only the entries that can affect the next decision. The LLM replans when an update invalidates the remaining plan. Across 1,500 task-simulator episodes, the proposed ADM achieved 100% full-task success in the 14-container noisy dynamic setting, compared with 62% for static memory and 97% for unfiltered dynamic memory, while reducing the context-size proxy by 95.8% relative to the latter. In a six-episode live GPT-5 Mini planner, both dynamic memory variants completed every mission, while ADM reduced provider-reported input tokens by 14.4% and mean planner calls from 7.0 to 6.0. A separate 60-trial PyBullet study retained 100% success for ADM, compared with 50% for static memory. Finally, the mobile manipulator with ADM-Planner completed various missions in indoor and outdoor physical experiments while incorporating targets revealed after execution began. The results show that selective state maintenance with ADM, rather than prompt history alone, is a practical basis for long-horizon planning in changing environments. Project page: https://xjp99v5.github.io/ADM-Planner

arXivで原文を読む →arXiv概要ページ

ADM-Planner: 注意強化型動的メモリを用いたLLM誘導による移動マニピュレータの長期計画

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？

原文アブストラクト

関連論文