Context Matters! 针对 Feasible 3D 场景规划放宽目标的LLM 方法
机器人学
2026-03-10 v3 人工智能
摘要
具身智能体需要在真实且复杂的3D环境中可靠地进行规划与行动。经典规划方法(如PDDL)提供了结构和保证，但在实际应用中由于感知噪声和谓词 grounding 错误而失败。另一方面，基于大语言模型(LLM)的规划方法利用常识推理，但经常提出不可行或不安全的动作。跟随最近的结合两种方法的工作，我们引入ContextMatters，一个融合LLM和经典规划以执行分层目标放宽的框架:LLM帮助将符号 grounding 到场景中，当目标不可达时，它提出逐步放宽约束的功能等价目标，从而适应智能体环境的上下文。在3D场景图上运行，该机制将许多名义上不可行的任务转化为可实现的计划，并在无法完全完成时实现情境感知的部分实现。我们的实验结果显示，该方法相对于最先进的LLM+PDDL基线实现了+52.45%的成功率，证明了该方法的有效性。此外，我们通过在TIAGo机器人上部署验证了ContextMatter在真实场景中的执行。代码、数据集和补充材料已在https://lab-rococo-sapienza.github.io/context-matters/上向社区开放。
引用
@article{arxiv.2506.15828,
title = {Context Matters! Relaxing Goals with LLMs for Feasible 3D Scene Planning},
author = {Emanuele Musumeci and Michele Brienza and Francesco Argenziano and Abdel Hakim Drid and Vincenzo Suriani and Daniele Nardi and Domenico D. Bloisi},
journal= {arXiv preprint arXiv:2506.15828},
year = {2026}
}