進捗認識型クローズドループによる長期的ロボットタスク計画

- LLM-based planning における long-horizon robotic task のための Progress-Aware Closed-Loop framework「ProLoop」 - long-horizon task を semantic subgoal に分解して計画を単純化する枠組みが対象 - subgoal の進捗を desired state と execution state の structured relations から明示的に導出 - 進捗を ongoing / deviated / completed として集約し、実行の適応制御に用いる - 学習された State-Relation Monitor が関係性を評価する構成 - AgentBoard ALFWorld と real-world robotic platform で評価

- 従来の LLM-based planning では subgoal 進捗を interaction histories から暗黙的に推論していた - 不正確な推定が実行を誤誘導し、local errors が伝播しうる点が課題 - ProLoop は進捗を structured relations に基づき明示的に推定する点が異なる - 進捗を ongoing / deviated / completed の3状態として扱い、progress-aware control を可能にする - 実験では success rate が全体で 12.94%、Hard tasks で 15.46% 向上し、environment interactions を 32.3% 削減 - ただし比較対象の具体的な prior 手法名は要旨からは不明

- desired state と execution state の間の structured relations を学習済み State-Relation Monitor が評価 - その関係性を集約して subgoal progress を ongoing / deviated / completed として算出 - 得られた progress が execution adaptation を導き、closed-loop の progress-aware control を実現 - local errors の伝播を抑える狙い - 詳細なモデル構造・学習手順・relation の定義は要旨からは不明

- AgentBoard ALFWorld と real-world robotic platform の2環境で実験 - 結果として success rate が全体で 12.94% 向上、Hard tasks で 15.46% 向上 - environment interactions を 32.3% 削減 - ベースラインの種類や被験者数・試行回数などの詳細は要旨からは不明

- 要旨からは不明 - 限界、失敗事例、State-Relation Monitor の誤推定時の影響、real-world での安全性などは明示されていない - 明示されている主張は、進捗の明示的推定が local errors の伝播抑制と効率的な実行に寄与するという点

- 要旨で参照・比較されている個別研究は明示されていない - 関連手法として次を検討： - LLM-based planning における subgoal decomposition 関連研究 - AgentBoard / ALFWorld を用いた long-horizon planning のベンチマーク研究 - closed-loop execution monitoring や progress estimation に関する研究 - 具体的な論文名は要旨からは不明