视觉语言模型给出的状态不再被压成单一猜测:PRaVaSS 保留最小高概率状态集,规划成功率在 PRB 上从 16.7% 升到 32.6%
核心概要
机器人用视觉语言模型估计场景状态时,通常把带概率的输出压成一个最可能的符号状态,猜错就会让后续规划变得不安全或不可行。PRaVaSS 改为从模型已有的逐特征概率出发,结合任务约束构造一个累计概率达到用户阈值的极小状态集合,让规划器同时考虑最可能的若干状态。在 PRB 与 GW 两个规划域上,以 GPT-4.1 为骨干的该流程把下游规划成功率从 MAP 的 16.7% 和 70.7% 提升到 32.6% 和 80.0%。
深度剖析
状态估计不再把视觉语言模型的输出压成一个最可能的符号状态,而是交给规划器一个累计概率达到用户设定阈值的极小状态集合。 此前的机器人流程普遍接受视觉语言模型输出的“是”或“否”,把感知结果当作真值来规划;一旦这个猜测错误,智能体可能执行不安全动作、违反用户设定的护栏或直接失败。 在 PRB 与 GW 两个规划域上,以 GPT-4.1 为状态估计骨干,该流程的下游规划成功率为 32.6% 和 80.0%,而取最可能单一状态的 MAP 为 16.7% 和 70.7%。
做法是把感知模型本来就输出的逐特征概率,经可选的先验更新和任务约束筛选,转成对合法状态的紧凑概率表示。 直接维护符号状态上的完整概率分布并做信念空间规划更安全,但在组合式的任务规划空间里通常不可行。 PRaVaSS 利用这种三层信念结构按概率从高到低惰性取出合法状态,无需枚举指数大的状态空间,在无约束情形下具有多项式复杂度,并在三个域上以视觉语言模型为骨干做了验证。
启示与展望
评估在 PRB、GW 和 ALF 三个基准或模拟任务规划域上进行,状态估计骨干为 GPT-4.1,另在五个开放权重视觉语言模型上重复了部分实验;结果针对单次观测下的信念集构造,而非已部署的机器人系统。
信念转换假设特征之间条件独立,这一假设在实践中很可能被违反;作者用合成扰动做了敏感性分析,并说明该分析不是对任何视觉语言模型自然误差相关性的估计。ALF 被排除在下游规划实验之外,因为那里的稳健决策需要智能体主动收集信息。
