Long-Horizon Tasks Task-State Alignment Embodied Agents Hierarchical Planning
摘要

长程具身代理日益依赖专业执行器处理导航与操作等任务,主要瓶颈已从局部技能执行转向维持规划、监控、记忆与执行间的一致性。本文研究“任务 - 状态错位”问题,即规划阶段、运行时证据、记忆上下文与执行器决策不再匹配导致的失败。为此,我们提出 ContextFlow,一种可审查的对齐框架,将阶段表示为显式契约,把观测转化为证据包,并应用包括继续、细化、转移、提升和修复在内的范围更新策略,以诊断并缓解 recurring 的任务状态故障。

AI 推荐理由

论文核心解决长程任务中规划与执行的状态不一致问题,提出分层对齐框架。

研究机构
电子科技大学 香港中文大学 清华大学 北京航空航天大学
论文信息
作者 Shuhan Guo, Kun Zhang, Haifei Liu, Xingyu Gao, Yongqi Zhang et al.
发布日期 2026-05-19
arXiv ID 2605.19314
相关性评分 9/10 (高度相关)