Tru-POMDP：基于假设树与开放式 POMDP 的不确定任务规划
机器人学
2026-03-03 v2 人工智能
摘要
在现实世界中执行任务的主人服务机器人必须应对不确定性。这些任务涉及模糊的人类指令、隐藏或未知的对象位置，以及开放词汇的对象类型，导致显著的开放式不确定性和规划空间的无限扩张。为此，我们提出 Tru-POMDP，一种结合大型语言模型 (LLM) 的结构化信念生成与原则化 POMDP 规划的规划器。Tru-POMDP 引入分层假设树 (TOH)，系统性地查询 LLM 以构建对可能世界状态和人类目标的高质量粒子信念。我们进一步提出开放式 POMDP 模型，使其能够进行严谨的贝叶斯信念跟踪，并对这些 LLM 生成的假设进行高效的信念空间规划。在多样化厨房环境中进行的复杂对象重新排列任务实验表明，Tru-POMDP 在成功率、计划质量、对模糊性与遮挡的鲁棒性以及规划效率方面均显著优于现有最先进的 LLM 基于和 LLM 树搜索混合规划器。
引用
@article{arxiv.2506.02860,
title = {Tru-POMDP: Task Planning Under Uncertainty via Tree of Hypotheses and Open-Ended POMDPs},
author = {Wenjing Tang and Xinyu He and Yongxi Huang and Yunxiao Xiao and Cewu Lu and Panpan Cai},
journal= {arXiv preprint arXiv:2506.02860},
year = {2026}
}