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

- タスク記述とシミュレータへのアクセスを与えられた coding agent が、generalized TAMP 問題に対してインスタンス間で汎化するプログラムを合成するかを調査する研究。 - 合成予算内で agent 自身が環境との相互作用方法を選び、プログラムを凍結して未見インスタンスで評価する。 - KinDER と PDDLStream の 28 環境、元ベンチマークより多い物体数で Claude Code (Opus 5) と Codex (GPT-5.6 Sol, GPT-6 Astra) を評価。 - 980 プログラム×100 held-out インスタンス、計 98,000 エピソードを評価。

- 既存の generalized TAMP 手法は TAMP 固有のエンジニアリングを大量に必要とする点が課題。 - 3 つの agent 構成すべてが hand-engineered planners、one-shot generation、LLM-based generalized planning baseline を平均成功率で上回る。 - planner が利用可能な 16 環境で 56%〜95% 対 planner 47%。 - 物体数増加時も planner より高い成功率を維持し、1 インスタンスあたり平均で桁違いに少ない計算量。

- coding agent がタスク記述と simulator access を受け、固定の synthesis budget 内で環境と相互作用しながらプログラムを開発。 - プログラムは凍結され unseen instances で評価される。 - ログから、agent が相互作用を用いて物理モデルの校正、edge case のテスト、戦略の洗練を行うことが示される。 - 全コードと agent への full prompts を公開。

- KinDER と PDDLStream の 28 simulated environments を使用。 - 物体数は元ベンチマークで評価された数を超える設定。 - 全 program synthesis 手法で 980 生成プログラムを各 100 held-out instances で評価、計 98,000 evaluation episodes。 - 成功率と計算量を hand-engineered planners、one-shot generation、LLM-based generalized planning baseline と比較。

- coding agents は generalized TAMP において surprisingly effective であり、強い baseline になり得ると示唆。 - 物体数増加に対するスケーラビリティと計算効率の優位性が議論される。 - 一方、要旨からは失敗モードや限界、一般化可能性の範囲についての詳細は不明。 - 要旨からは不明な点として、実世界ロボットへの転移や安全性・解釈性の議論は述べられていない。

- 要旨で参照/比較されている研究: hand-engineered planners、one-shot generation、LLM-based generalized planning baseline。 - ベンチマーク: KinDER、PDDLStream。 - 関連手法: generalized TAMP、task and motion planning (TAMP)。 - 同分野の定番として、PDDLStream や KinDER を用いた TAMP 研究、LLM を用いた planning 研究が次に読む候補。