AtomTree：用LLM按当前状态逐步分解子目标的具身指令跟随框架
论文AI 评分 66/100arXiv cs.AI待复核
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
针对现有规划器依赖大量标注轨迹、或让LLM一次性串行生成完整计划、只在失败后才更新等问题，AtomTree把任务规划改为增量构建子目标与动作树：每一步由LLM依据当前符号状态决定继续分解还是输出可执行的低层动作，并用轻量记忆模块归纳过往结果供后续决策复用。低层动作停滞时触发分层回溯重规划，回到父节点并按最新状态重新生成子树计划。在ALFRED基准的零样本评测中，该框架优于此前的LLM规划器，论文已被IROS 2026接收。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载现有规划器的三个问题
论文把已有做法归为两类：一类依赖大规模标注轨迹，另一类用少样本或零样本提示让LLM在一次串行推理中产出完整计划。后者的局限被明确点出：规划依据的是语言常识，从初始指令起就锁定计划，只有失败后才更新，因此鲁棒性与状态感知都偏弱。AtomTree的出发点正是把“一次性承诺”改成随状态推进的逐步决策。
子目标树与逐步决策
AtomTree增量构建一棵由子目标和动作组成的树。每一步，LLM读取当前符号状态，判断应当把当前子目标继续拆解，还是直接给出与环境对齐的低层动作。这样，规划粒度不再在开始时就固定，而是随执行中的状态变化调整。配套的轻量记忆模块把过去的结果压缩成可复用的摘要，供后续决策参考，避免重复试探。
停滞时的分层回溯
当某个低层动作无法推进时，AtomTree触发分层回溯重规划：退回父节点，依据最新状态重新生成该子树计划，而不是沿错误轨迹继续漂移。这一机制针对的是长程任务中错误累积的典型失效模式，把纠错点从“整段计划失败”前移到“局部动作停滞”。
评测与发表情况
在ALFRED基准的零样本设置下，AtomTree优于此前的LLM规划器，论文未在摘要中给出具体数值。该工作被IROS 2026接收，涉及机器人学、人工智能与计算语言学方向，预印本编号为arXiv:2610.38744。
为什么值得看
关注具身智能体长程任务规划的研究者，可看它如何用状态驱动分解与回溯重规划替代一次性生成计划。
论文
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。