SCOPE：通过计划纠错优化场景图，用于机器人长期规划数据集
该论文提出 SCOPE 框架，用于自动生成多样且可执行的 TAMP（任务与运动规划）数据集，以缓解 LLM 微调所需高质量数据稀缺的问题。SCOPE 引入多级多样性指标以最大化场景信息熵，并设计计划反馈纠错流水线，将规划器执行失败作为反馈信号回溯修正场景图中的逻辑不一致，保证物理可行性。实验显示，SCOPE 对错误场景图更鲁棒、生成数据质量更高；用其数据微调的 TAMP 模型成功率较使用 DELTA（基于 PDDL 的先进规划器）生成数据微调的模型绝对提升 12.33%。
发布于 10-23 23:01来源：arXiv cs.RO
转载 · 官方发布原文：arXiv cs.RO ·《SCOPE: Scene-graph Construction Optimized by Plan Error-correction for Robot Long-term Planning Datasets》查看原链
摘要：任务与运动规划（TAMP）是机器人学中的一项基础性挑战，对于自主智能体在多样环境中执行复杂、长时程任务至关重要。 大语言模型（LLM）凭借广泛的常识为 TAMP 引入了新范式，但其固有的推理局限阻碍了直接应用，而用于增强这些能力的微调策略目前受限于高质量数据集的稀缺。
现有的自动生成方法往往存在同质化问题，限制了模型的泛化能力，并且存在不可解问题，即幻觉生成的场景图与任务目标在物理上不匹配。 为解决这些问题，我们提出 SCOPE（Scene-graph Construction Optimized by Plan Error-correction，通过计划纠错优化场景图），这是一个用于生成多样且可执行 TAMP 数据集的自动化框架。
SCOPE 引入多级多样性指标，以最大化场景的信息熵。 关键在于，它引入了一条计划反馈纠错流水线，利用规划器执行失败作为反馈信号，回溯修正场景图中的逻辑不一致，从而确保物理可行性。 实验结果表明，SCOPE 对错误场景图表现出更强的鲁棒性，并能生成更高质量的数据。
当用于 LLM 微调时，SCOPE 生成的数据所训练出的下游 TAMP 模型，相比使用 DELTA（一种基于 PDDL 的先进规划器）生成数据微调的对应模型，成功率绝对提升 12.33%。