SCOPE：在开放环境中用于规划的演化符号世界

近期研究尝试将视觉语言模型与依赖符号表示的经典规划器结合，以生成复杂具身任务的长程计划。然而，在开放环境中，感知获得的符号表示往往不完整，导致性能欠佳。为此，本文提出 SCOPE，一种自适应符号规划框架，支持优化动作计划并演化符号世界。该框架包含符号执行模拟器（SESim）和自适应符号记忆（SASMem）两个模块，利用反馈 refine 计划并提炼符号知识。实验表明，SCOPE 显著提升了符号世界的完整性、抗干扰下的计划成功率及跨任务适应性。