STEP Planner：构建跨层级子目标树作为具身长时程任务规划器
机器人学
2025-07-17 v2
摘要
执行可靠的长时程任务规划的能力对于在真实世界环境中部署机器人至关重要。然而，由于 Large Language Models (LLMs) 对长时程具身任务的推理能力有限，直接将其作为动作序列生成器通常会导致成功率较低。在 STEP 框架中，我们通过一对闭环模型构建子目标树：子目标分解模型和叶节点终止模型。在此框架内，我们开发了一种从粗到细分辨率跨越的层级树结构。子目标分解模型利用基础 LLM 将复杂目标分解为可管理的子目标，从而展开子目标树。叶节点终止模型根据环境状态提供实时反馈，确定何时终止树的展开，并确保每个叶节点都能直接转换为基本动作。在 VirtualHome WAH-NL 基准和真实机器人上进行的实验表明，STEP 实现了长时程具身任务完成，成功率分别高达 34%（WAH-NL）和 25%（真实机器人），优于 SOTA 方法。
引用
@article{arxiv.2506.21030,
title = {STEP Planner: Constructing cross-hierarchical subgoal tree as an embodied long-horizon task planner},
author = {Tianxing Zhou and Zhirui Wang and Haojia Ao and Guangyan Chen and Boyang Xing and Jingwen Cheng and Yi Yang and Yufeng Yue},
journal= {arXiv preprint arXiv:2506.21030},
year = {2025}
}