OntoPlan: An Ontology-Grounded Scene Representation and Agentic Framework for Scalable Robot Task Planning
作者: Hyeongwoo Nam, Woongje Cho, Juwon Kim, Jongeun Choi
分类: cs.RO
发布日期: 2026-10-06
备注: Accepted at NeurIPS 2026. 32 pages, 7 figures
🔗 代码/项目: GITHUB
💡 一句话要点
提出OntoPlan以解决机器人任务规划中的空间信息捕捉问题
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 机器人任务规划 本体驱动 空间推理 大型语言模型 智能机器人 任务执行 符号表示
📋 核心要点
- 现有的基于LLM的机器人任务规划在长时间任务和大规模环境中表现不佳，尤其在空间信息捕捉方面存在明显不足。
- 本文提出了一种基于本体的场景表示和OntoPlan框架，通过共享符号词汇实现空间推理和任务规划，提升了任务执行的准确性和效率。
- 在150个任务的实验中，OntoPlan的平均成功率达到0.89，显著高于0.27的最强基线，同时令牌使用量减少约5.6倍，显示出其在大规模场景中的优势。
📝 摘要（中文）
基于大型语言模型（LLM）的机器人任务规划在开放式指令跟随中展现出潜力，但在大型环境中的长时间任务上表现不佳。现有方法在通过文本传达空间信息时，模型可能无法捕捉空间上下文，且随着环境规模的增加，令牌成本也随之上升。为此，本文提出了一种基于本体的场景表示，旨在通过共享的符号词汇对对象、空间、关系和状态进行对齐，从而实现空间推理和任务规划。同时，OntoPlan框架能够解释指令、选择性检索任务相关信息、形式化目标和约束，并生成可执行计划。在五个室内环境和三个场景规模的150个一般任务中，OntoPlan的平均任务成功率为0.89，而最强基线仅为0.27，且每个任务平均使用18.1k个令牌，约为最有效基线的5.6倍更少。这些优势在场景规模增加时依然存在，而之前的方法则在成功率上急剧下降，并且令牌成本远高于OntoPlan。
🔬 方法详解
问题定义：本文旨在解决现有基于LLM的机器人任务规划在长时间任务和大规模环境中无法有效捕捉空间信息的问题，导致任务成功率低和令牌成本高。
核心思路：通过引入基于本体的场景表示，本文将对象、空间、关系和状态整合到一个共享的符号词汇中，以增强空间推理能力，并通过OntoPlan框架实现高效的任务规划。
技术框架：OntoPlan框架包括多个模块：指令解析、任务相关信息检索、目标和约束形式化，以及可执行计划生成。这些模块协同工作，以确保任务规划的准确性和高效性。
关键创新：最重要的创新在于引入了本体驱动的场景表示，使得机器人能够在复杂环境中更好地理解和处理空间信息，从而显著提高任务成功率和降低令牌使用量。
关键设计：在设计中，OntoPlan采用了高效的符号表示方法，并通过选择性信息检索来优化任务执行过程，确保在面对模糊或不可行的指令时能够做出适当反应。具体的参数设置和损失函数设计未在摘要中详细说明，需参考原文获取更多信息。
🖼️ 关键图片
📊 实验亮点
实验结果显示，OntoPlan在150个任务中的平均成功率为0.89，远超最强基线的0.27。同时，OntoPlan每个任务的令牌使用量为18.1k，约为最有效基线的5.6倍，展示了其在大规模场景中的显著优势。
🎯 应用场景
该研究的潜在应用领域包括智能家居、服务机器人和工业自动化等场景。通过提升机器人在复杂环境中的任务规划能力，OntoPlan能够显著提高机器人执行多样化任务的效率和准确性，推动智能机器人技术的实际应用和发展。
📄 摘要（原文）
Large language model (LLM)-based robot task planning is promising for open-ended instruction following, but degrades on long-horizon tasks in large environments. When spatial information is conveyed to the LLM through text, the model can fail to capture spatial context, and token cost grows with environment size. Generating action sequences directly with an LLM also makes it difficult to satisfy the current world state and action preconditions. We address this with an ontology-grounded scene representation that aligns objects, spaces, relations, and states in a shared symbolic vocabulary for spatial reasoning and task planning, and with OntoPlan, an agentic framework that interprets instructions, selectively retrieves task-relevant information, formalizes goals and constraints, and produces executable plans. Across 150 general tasks spanning five indoor environments and three scene scales, OntoPlan achieves 0.89 average task success, compared with 0.27 for the strongest baseline, while using 18.1k total tokens per task on average, about 5.6$\times$ fewer than the most efficient baseline. These advantages persist as scene scale increases, whereas prior methods degrade more sharply in success and remain far more costly in tokens. OntoPlan also responds appropriately to ambiguous or infeasible instructions by asking follow-up questions or reporting insufficient information rather than committing to invalid plans. Code available at https://github.com/namhyeongwoo/OntoPlan.