ADM-Planner：大语言模型引导的具有注意力增强型动态记忆的移动机械手的长期规划

大型语言模型可以将移动操作目标分解为长动作序列，但最终的计划只有在其世界背景处于当前状态时才保持可靠。当对象被发现、移动或完成时，固定的场景描述就会变得陈旧，同时保留每个观察结果，反而会产生具有冗余和冲突状态的不断增长的历史。为了解决这种紧张关系，我们提出了一个由大语言模型指导的规划框架ADM-Planner，具有注意力增强动态记忆（ADM）。持久工作区知识与以对象为中心的状态分离，异步观察和操作结果更新该状态，并且有界检索器仅公开可能影响下一个决策的条目。当更新使剩余计划失效时，LLM 会重新计划。在 1,500 个任务模拟器场景中，所提出的 ADM 在 14 个容器噪声动态设置中实现了 100% 的完整任务成功，而静态内存为 62%，未过滤动态内存为 97%，同时相对于后者将上下文大小代理减少了 95.8%。在六集实时 GPT-5 Mini 规划器中，两种动态内存变体都完成了每个任务，而 ADM 将提供商报告的输入词元减少了 14.4%，平均规划器调用从 7.0 减少到 6.0。一项单独的 60 次试验 PyBullet 研究使 ADM 保持了 100% 的成功率，而静态内存的成功率为 50%。最后，带有ADM-Planner的移动机械手完成了室内和室外物理实验中的各种任务，同时结合了执行开始后发现的目标。结果表明，使用 ADM 进行选择性状态维护（而不是仅提示历史记录）是不断变化的环境中进行长期规划的实用基础。项目页面：此 https URL