TAMP/データ生成2026/10/22arXiv:2610.31518

計画誤り訂正でシーングラフ構築を最適化する長期的ロボット計画データセット生成フレームワーク

SCOPE: Scene-graph Construction Optimized by Plan Error-correction for Robot Long-term Planning Datasets

計画実行の失敗をフィードバックとしてシーングラフの論理矛盾を修正し、多様で実行可能なTAMPデータセットを自動生成するSCOPEを提案。生成データで微調整したLLMは成功率が12.33%向上した。

詳しい要約

1. どんなもの？

- TAMP (Task and Motion Planning) 向けの高品質データセットを自動生成するフレームワーク SCOPE の提案 - LLM の常識を活かした TAMP の fine-tuning 用データ不足を解決する狙い - 多様性と実行可能性を両立した TAMP データセット生成を目指す

2. 先行研究と比べてどこがすごい？

- 既存の自動生成手法はデータの homogeneity と unsolvability が問題 - hallucinated scene graph が物理的整合性を欠く点を課題視 - 最先端の PDDL-based planner である DELTA と比較し、より高品質なデータを生成 - 誤った scene graph への robustness が向上

3. 技術・手法の肝は？

- 多段階の diversity metrics で scenario の情報エントロピーを最大化 - Plan Feedback Error-correction pipeline を導入 - planner の実行失敗を feedback signal として利用 - scene graph の論理的不整合を遡って修正し物理的 feasibility を担保

4. どうやって有効だと検証した？

- SCOPE が誤った scene graph に対して高い robustness を示すことを実験で確認 - 生成データの品質が向上することを実験的に示す - SCOPE 生成データで fine-tune した TAMP model が DELTA 生成データで fine-tune したものより success rate で絶対 12.33% 向上

5. 議論はある？

- 要旨からは不明（具体的な limitation や議論の詳細は記述なし）

6. 次に読むべき論文は？

- DELTA（state-of-the-art PDDL-based planner、比較対象） - LLM を用いた TAMP 関連研究 - PDDL-based planning の関連手法

※ 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: Chaoyue Li, Zeyu Gao, Yanfeng Lu, Fan Luo

分類: cs.RO

原文アブストラクト

Task and Motion Planning (TAMP) stands as a fundamental challenge in robotics, essential for enabling autonomous agents to execute complex, long-horizon tasks in diverse environments. While Large Language Models (LLMs) introduce a new paradigm for TAMP by leveraging extensive common sense, their inherent reasoning limitations hinder direct application, and fine-tuning strategies to enhance these capabilities are currently bottlenecked by the scarcity of high-quality datasets. Existing automated generation methods often suffer from homogeneity, limiting model generalization, and unsolvability, where hallucinated scene graphs create physical mismatches with task goals. To address these issues, we propose Scene-graph Construction Optimized by Plan Error-correction (SCOPE), an automated framework designed to generate diverse and executable TAMP datasets. SCOPE incorporates multi-level diversity metrics to maximize the information entropy of scenarios. Crucially, it introduces a Plan Feedback Error-correction pipeline that utilizes planner execution failures as feedback signals to retroactively rectify logical inconsistencies in scene graphs, ensuring physical feasibility. Experimental results demonstrate that SCOPE exhibits greater robustness to erroneous scene graphs and generates higher-quality data. When utilized for LLM fine-tuning, SCOPE-generated data yield a downstream TAMP model that achieves an absolute 12.33% gain in success rate over its counterpart fine-tuned with data generated by DELTA, a state-of-the-art PDDL-based planner.

arXivで原文を読む →arXiv概要ページ

← 論文一覧