Anticipate, Adapt, Act：任务规划的混合框架
人工智能
2026-03-04 v2 计算工程、金融与科学
计算与语言
计算机视觉与模式识别
摘要
预测和适应失败是机器人在复杂领域与人类协作所必需的关键能力。尽管最先进的 AI 规划系统和大型语言模型 (LLM) 在性能方面取得了显著进步，但由于任务及其结果的不确定性，这一挑战仍然存在。为此，我们提出了一种混合框架，将 LLM 的通用预测能力与关系动态影响图语言 (RDIL) 的概率顺序决策能力相结合。对于给定任务，机器人会推理该任务及其执行者的能力；预测因执行者能力不足或缺乏相关域对象而导致的潜在失败；并执行措施以防止此类失败或从中恢复。实验在 VirtualHome 3D 模拟环境中进行，结果表明相对于最先进的基线方法，本方法在性能上实现了显著提升。
引用
@article{arxiv.2602.19517,
title = {Classroom Final Exam: An Instructor-Tested Reasoning Benchmark},
author = {Chongyang Gao and Diji Yang and Shuyan Zhou and Xichen Yan and Luchuan Song and Shuo Li and Kezhen Chen},
journal= {arXiv preprint arXiv:2602.19517},
year = {2026}
}