Embodied AI Latency Optimization LLM Planning Resource Allocation
摘要

增强推理的大语言模型在规划任务中表现优异,但推理延迟限制了其在具身系统中的应用。现有范式因串行处理导致执行窗口未被利用。本文提出PACE框架,通过交错的“思考-行动”架构和动态预算分配器,将认知处理与动作执行流水线化,并根据可用执行时间窗口自适应调整推理Token预算。在Robotouille基准测试中,PACE相比基线成功率提升67%,思考时间加速6.9倍,隐藏了66.8%的思考时间,证明了时间感知架构能同时提升规划质量与时效性。

AI 推荐理由

论文核心解决具身智能中的任务规划延迟问题,提出自适应预算分配机制以优化规划效率。

研究机构
ZTE Corporation, Shanghai, China
论文信息
作者 Yuchen Huang, Xijiang Ying, Zhenhua Ma, Xiaxiang Yuan, Zhijie Gao et al.
发布日期 2026-08-04
arXiv ID 2608.03034
相关性评分 9/10 (高度相关)