ADM-Planner: LLM-Guided Long-Horizon Planning for Mobile Manipulators with Attention-Enhanced Dynamic Memory
作者: Jiaping Xiao, Pingyuan Ji, Mir Feroskhan
分类: cs.RO
发布日期: 2026-09-24
备注: 8 pages
🔗 代码/项目: PROJECT_PAGE
💡 一句话要点
提出ADM-Planner以解决动态环境中的长时间规划问题
🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 长时间规划 动态记忆 移动操作 大型语言模型 机器人技术 智能决策 环境适应性
📋 核心要点
- 现有方法在动态环境中难以保持计划的可靠性，固定的场景描述无法适应对象的变化。
- 本文提出的ADM-Planner通过增强注意力的动态记忆，分离持久知识与对象状态，实时更新决策。
- 实验结果显示，ADM在多种设置下均实现了100%的任务成功率，显著提升了规划效率和准确性。
📝 摘要（中文）
大型语言模型能够将移动操作目标分解为长时间的动作序列，但在世界上下文变化时，生成的计划可靠性下降。固定的场景描述在对象被发现、移动或完成后变得过时，而保留每个观察结果则会产生冗余和冲突的状态。为了解决这一矛盾，本文提出了一种基于LLM的规划框架ADM-Planner，采用了增强注意力的动态记忆。持久的工作区知识与对象中心状态分离，异步观察和动作结果更新该状态，有限检索器仅暴露可能影响下一个决策的条目。当更新使剩余计划失效时，LLM会重新规划。在1500个任务模拟器的实验中，ADM在14个容器的嘈杂动态环境中实现了100%的全任务成功率，而静态记忆和未过滤动态记忆的成功率分别为62%和97%。
🔬 方法详解
问题定义：本文旨在解决移动操作中的长时间规划问题，现有方法在动态环境中无法有效应对对象状态的变化，导致计划失效或不可靠。
核心思路：ADM-Planner通过引入增强注意力的动态记忆，分离持久的工作区知识与对象状态，允许异步更新和选择性状态维护，从而提高规划的灵活性和准确性。
技术框架：ADM-Planner的整体架构包括三个主要模块：持久知识库、动态状态更新模块和LLM重新规划模块。持久知识库存储不变的环境信息，动态状态更新模块处理实时观察和动作结果，而LLM模块负责在状态变化时重新生成计划。
关键创新：本文的主要创新在于引入了动态记忆机制，能够在对象状态变化时有效更新决策，而不仅仅依赖于历史提示。这一设计使得规划在动态环境中更为可靠。
关键设计：在技术细节上，ADM使用了有限检索器来限制状态条目的数量，从而减少上下文大小，并通过异步更新机制确保状态的实时性。
🖼️ 关键图片
📊 实验亮点
在1500个任务模拟器的实验中，ADM-Planner在动态环境中实现了100%的全任务成功率，相比之下，静态记忆和未过滤动态记忆的成功率仅为62%和97%。此外，在实际应用中，ADM还减少了14.4%的输入令牌和规划调用次数，从7.0降至6.0，显示出显著的效率提升。
🎯 应用场景
ADM-Planner的研究成果在移动机器人、自动化仓储、智能家居等领域具有广泛的应用潜力。通过提高动态环境下的规划能力，该方法能够支持更复杂的任务执行，提升机器人在现实世界中的适应性和效率。
📄 摘要（原文）
Large language models can decompose mobile-manipulation goals into long action sequences, but the resulting plans remain reliable only while their world context is current. A fixed scene description becomes stale when objects are discovered, moved, or completed while retaining every observation instead produces a growing history with redundant and conflicting state. To resolve this tension, we present an LLM-guided planning framework ADM-Planner with attention-enhanced dynamic memory (ADM). Persistent workspace knowledge is separated from object-centric state, asynchronous observations and action outcomes update that state, and a bounded retriever exposes only the entries that can affect the next decision. The LLM replans when an update invalidates the remaining plan. Across 1,500 task-simulator episodes, the proposed ADM achieved 100% full-task success in the 14-container noisy dynamic setting, compared with 62% for static memory and 97% for unfiltered dynamic memory, while reducing the context-size proxy by 95.8% relative to the latter. In a six-episode live GPT-5 Mini planner, both dynamic memory variants completed every mission, while ADM reduced provider-reported input tokens by 14.4% and mean planner calls from 7.0 to 6.0. A separate 60-trial PyBullet study retained 100% success for ADM, compared with 50% for static memory. Finally, the mobile manipulator with ADM-Planner completed various missions in indoor and outdoor physical experiments while incorporating targets revealed after execution began. The results show that selective state maintenance with ADM, rather than prompt history alone, is a practical basis for long-horizon planning in changing environments. Project page: https://xjp99v5.github.io/ADM-Planner