自然言語の曖昧なタスクにおける文脈的不確実性の能動的解決

- 自然言語で与えられた underspecified なタスクを、不慣れな環境で実行するロボットのための枠組み CLUE を提案。 - タスク成功条件・関連情報・その情報の所在が不明な「contextual uncertainty」を、閉ループの環境相互作用を通じて能動的に解消する。 - LLM 由来の policy で仮説と計画を生成し、オンライン構築される language-embedded map で接地する。 - Boston Dynamics Spot に実装し、屋内・屋外3環境・15タスクで評価。

- 多くの language-conditioned policy は目標が well-specified で、事前 map によりタスク関連情報が与えられると仮定する。 - CLUE は underspecified なタスクと未知環境を前提に、成功条件・関連情報・情報の所在を同時に推論する。 - 閉ループフィードバックのない LLM-enabled planner を 4 倍の成功率で上回る。 - oracle policy との差は 7 パーセントポイント以内。 - 単に language-enriched map を構築・照会するだけでは不十分で、成功率は約 3 分の 1、VLM tokens は 10 倍以上必要。

- LLM-derived policy がタスク関連概念と候補計画を仮説として生成。 - オンラインで構築される language-embedded map を用いて仮説を行動に接地。 - policy は閉ループ環境相互作用を通じて仮説を逐次評価し、新情報に応じて計画を洗練。 - これにより contextual uncertainty を能動的に解消する。

- Boston Dynamics Spot を用い、屋内・屋外の 3 実環境で 15 タスクを実行。 - タスクは object disambiguation、functional inference、occlusion reasoning を要求。 - CLUE は oracle policy の成功率から 7 パーセントポイント以内を達成。 - 閉ループフィードバックなしの LLM-enabled planner を 4 倍上回る。 - language-enriched map の単純な構築・照会は成功率約 3 分の 1、VLM tokens 10 倍以上であることを示す追加実験。

- 要旨からは、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不明。 - 単純な language-enriched map 照会では複雑な contextual planning を解けないことを示唆。 - 閉ループフィードバックの重要性を主張。

- 要旨で比較されている LLM-enabled planner without closed-loop feedback。 - language-enriched map を構築・照会するアプローチ。 - oracle policy。 - 関連手法として language-conditioned policy、VLM、LLM-derived policy が挙げられる。