OntoPlan: オントロジーに基づくシーン表現とエージェントフレームワークによるスケーラブルなロボットタスク計画

- LLMベースのロボットタスク計画はopen-endedな指示追従に有望だが、大規模環境でのlong-horizonタスクで性能が低下する。 - 空間情報をテキストでLLMに伝えると空間的文脈を捉えられず、tokenコストが環境規模とともに増大する。 - LLMで直接action sequenceを生成すると、現在のworld stateやaction preconditionsを満たすのが難しい。 - 本研究はontology-groundedなscene representationと、OntoPlanというagentic frameworkを提案する。 - 物体・空間・関係・状態を共有symbolic vocabularyで整合させ、指示解釈・選択的検索・目標と制約の形式化・実行可能plan生成を行う。

- 5つのindoor環境・3つのscene scaleにわたる150のgeneralタスクで、OntoPlanは平均task success 0.89を達成。 - 最強baselineは0.27であり、大幅に上回る。 - 1タスクあたり平均18.1k total tokensで、最も効率的なbaselineより約5.6倍少ない。 - scene scaleが増大しても優位性が持続し、prior methodsはsuccessがより急激に低下しtokenコストもはるかに高い。 - 曖昧または実行不可能な指示に対し、follow-up questionsやinsufficient informationの報告で適切に応答する点も先行研究と異なる。

- ontology-grounded scene representationにより、objects・spaces・relations・statesを共有symbolic vocabularyで整合させる。 - これによりspatial reasoningとtask planningを支援する。 - OntoPlanはagentic frameworkとして、指示を解釈し、タスク関連情報を選択的にretrieveする。 - 目標と制約を形式化し、実行可能なplanを生成する。 - 空間情報をテキストで全て渡すのではなく、選択的検索でtokenコスト増大を抑える設計と推測される。

- 5つのindoor environmentsと3つのscene scalesにまたがる150のgeneral tasksで評価。 - 平均task success 0.89を達成し、最強baselineの0.27と比較。 - 平均18.1k total tokens per taskで、最も効率的なbaselineより約5.6倍少ないことを示す。 - scene scale増大に対するsuccessとtokenコストの挙動を比較し、prior methodsの劣化がより急激であることを確認。 - 曖昧・実行不可能な指示への応答(follow-up questionsやinsufficient information報告)も検証。

- 大規模環境でのlong-horizonタスクにおけるLLMベース計画の限界(空間文脈の欠如、tokenコスト増大、world stateとpreconditionsの不整合)を議論。 - ontology-grounded representationとagentic frameworkがこれらの課題を緩和することを示す。 - scene scale増大時の優位性持続を主張。 - 曖昧・実行不可能な指示への適切な応答も議論。 - 具体的な限界や失敗事例、計算コストの詳細は要旨からは不明。

- 要旨で参照/比較されている具体的なbaseline名は不明。 - 関連手法としてLLM-based robot task planning、ontology-grounded scene representation、agentic framework、spatial reasoning、task planningが挙げられる。 - 同分野の定番としてLLM-based planning、scene graph、ontology、task and motion planning (TAMP) 関連の研究を次に読むべき。 - コードはhttps://github.com/namhyeongwoo/OntoPlanで公開。