Embodied AI Replanning Token Optimization Real-time Control
摘要

具身代理常需频繁重规划以应对执行漂移和观测不全,但基于LLM的重规划调用会因上下文累积导致延迟激增,甚至错过实时截止期限。本文提出BRACE控制器,将重规划建模为预算控制循环,动态决策是否重规划、选择模式并分配Token预算与服务等级目标(SLO)。同时引入E-RECAP方法,在保留关键信息的前提下渐进式剪枝Token。实验表明,该方法显著降低Token消耗与SLO违规率,并在高难度场景中保持高成功率。

AI 推荐理由

论文核心解决具身智能中的重规划瓶颈问题,通过预算控制优化任务规划流程。

研究机构
Nebula Lab BRACE
论文信息
作者 Shuaijun Liu, Feiyang You, Xingwei Chen, Ningxin Su
发布日期 2026-08-02
arXiv ID 2608.01428
相关性评分 9/10 (高度相关)