研究问题

具身任务的成对示范成本高;单靠语言先验生成的计划又可能不适合当前可见环境。LLM-Planner 将少样本计划能力与物理 grounding 结合。

方法与图的作用

LLM 负责高层任务计划,并借助环境信息生成、更新可落地的子任务。论文在 ALFRED 上研究少样本具身规划。本轮摘要确认其使用很少成对数据,并未核对全部实现和消融表。

它是“计划需要随执行环境更新”的先行工作,不要求显式计划图。不能把加入反馈或动态重规划本身视作本库的新贡献。

对本库的启发

比较图方法时,应加入带环境 grounding 的线性计划器,避免把缺失状态信息的弱基线当作主要对手。进一步的问题是:图是否能把一次失败的影响约束在必要分支,而不是仅重新生成计划。

关联阅读

SayCan;ADaPT;ReCore:直接的图修复相关工作。

原始来源与阅读范围

Song et al. / arXiv · 2022-12-08。本轮范围:元数据与摘要核验;采集日期:2026-11-16。来源陈述与本库提出的实验设想在正文中分别说明。