神経記号的役割分担によるマルチロボットタスク計画

- シーン画像と指示から異種ロボットチームのタスク計画を生成する手法 NSDL (Neuro-Symbolic Division of Labor) の研究。 - 計画に必要な判断を2種類に分離する。 - シーンから判断すべき事項: 既に達成済みのゴール、タスクの分割、どのロボットが何をするか。 - それらから計算できる事項: 前提アクション、ロボット間の handoff、timing。 - 前者を small vision-language model に学習させ、後者を deterministic solver で計算する分業アーキテクチャ。 - 公開ベンチマーク VIKI-L2 と新規ベンチマーク LOCUS-Bench で評価する。

- end-to-end planners および formalize-then-plan ベースラインと比較し、両ベンチマークで NSDL が優位と報告。 - 3B から 8B までの3つの backbones で一貫して上回る。 - 7B model が VIKI-L2 の out-of-distribution accuracy で 97.0% に到達。 - solver が構造を書くことで ordering と scheduling のエラーがほぼ消失する点を主張。 - 新規に LOCUS-Bench を構築し、2種類の難易度を分離して評価できるようにした点も貢献。

- 分業設計: 判断が必要な部分は small vision-language model、計算可能な部分は deterministic solver に割り当てる。 - 学習済みモデルは判断を plan sketch として出力する。 - まだアクションが必要なゴールの列挙。 - 意図するステップを順序付きで、各ステップにロボットを割り当てて記述。 - solver が sketch を実行可能な joint plan に展開する。 - モデルは2つのツールを呼び出す: 根拠取得のための detector と solver。 - solver を loop に含めた solver-in-the-loop でモデルを訓練する。

- 公開ベンチマーク VIKI-L2 と、新規ベンチマーク LOCUS-Bench で評価。 - LOCUS-Bench は2種類の難易度を別々に採点する設計。 - end-to-end planners と formalize-then-plan ベースラインに対して比較。 - 3B から 8B の3つの backbones で検証。 - 7B model が VIKI-L2 で 97.0% の out-of-distribution accuracy を達成。 - solver が構造を書くと ordering と scheduling のエラーがほぼ消失することを確認。

- 残存する失敗は状態の誤判断 (misjudged states) であると報告。 - モデルが見落とすゴールの多くは、そもそも plan sketch に列挙されていないゴールであると分析。 - つまり誤りの主因は計算部分ではなく、vision-language model 側のシーン判断に残る。 - その他の限界や議論については要旨からは不明。

- 要旨で比較対象として明示される end-to-end planners および formalize-then-plan ベースラインの代表研究。 - 評価に用いられた VIKI-L2 ベンチマークの原論文。 - 提案された LOCUS-Bench の詳細 (公開先 https://github.com/Xincheng-Tan/NSDL)。 - 関連手法として small vision-language model を用いた neuro-symbolic planning や LLM-based task planning の研究。 - 具体的な論文名は要旨からは不明。