SCOPE: Scene-graph Construction Optimized by Plan Error-correction for Robot Long-term Planning Datasets

📄 arXiv: 2610.31518v1 📥 PDF

作者: Chaoyue Li, Zeyu Gao, Yanfeng Lu, Fan Luo

分类: cs.RO

发布日期: 2026-10-22

备注: 8 pages. Accepted at IROS 2026. Project page: https://scope-page.github.io/

💡 一句话要点

提出SCOPE以解决机器人长远规划数据集生成问题

🎯 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: 任务与运动规划 场景图构建 数据生成 机器人技术 多样性度量

📋 核心要点

  1. 现有的TAMP方法在数据生成上存在同质化和物理不匹配的问题，限制了模型的泛化能力和可执行性。
  2. SCOPE通过引入多层次多样性度量和计划反馈错误修正管道，自动生成多样化且可执行的TAMP数据集。
  3. 实验表明，SCOPE生成的数据在LLM微调中，成功率比使用DELTA生成的数据提高了12.33%。

📝 摘要（中文）

任务与运动规划（TAMP）是机器人领域的基本挑战，旨在使自主代理能够在多样化环境中执行复杂的长期任务。尽管大型语言模型（LLMs）为TAMP引入了新的范式，但其推理能力的局限性妨碍了直接应用，而提升这些能力的微调策略又受到高质量数据集稀缺的瓶颈。现有的自动生成方法往往存在同质化问题，限制了模型的泛化能力，并且由于虚构的场景图与任务目标之间的物理不匹配，导致无法解决的问题。为了解决这些问题，我们提出了基于计划错误修正的场景图构建方法（SCOPE），该框架旨在生成多样化且可执行的TAMP数据集。SCOPE结合了多层次的多样性度量，以最大化场景的信息熵，并引入了计划反馈错误修正管道，利用规划器执行失败作为反馈信号，追溯性地修正场景图中的逻辑不一致性，确保物理可行性。实验结果表明，SCOPE对错误场景图具有更强的鲁棒性，并生成了更高质量的数据。

🔬 方法详解

问题定义：本论文旨在解决现有TAMP方法在数据生成过程中存在的同质化和物理不匹配问题，导致模型泛化能力不足和执行失败。

核心思路：SCOPE的核心思路是通过引入多层次的多样性度量和计划反馈机制，确保生成的数据既多样又具备物理可行性，从而提升模型的性能。

技术框架：SCOPE的整体架构包括数据生成模块、反馈修正模块和多样性评估模块。数据生成模块负责初步生成场景图，反馈修正模块利用执行失败信息修正逻辑不一致，最后通过多样性评估模块确保生成数据的多样性。

关键创新：SCOPE的主要创新在于引入了计划反馈错误修正管道，这一机制能够有效利用规划器的执行失败信息，追溯性地修正场景图中的逻辑错误，确保生成数据的物理可行性。

关键设计：在设计上，SCOPE采用了多层次的多样性度量指标，确保生成场景的丰富性。同时，损失函数设计上考虑了逻辑一致性和物理可行性，确保生成的数据能够有效支持后续的模型训练。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，SCOPE生成的数据在LLM微调中，成功率相比于使用DELTA生成的数据提升了12.33%。这一显著提升表明SCOPE在生成多样化且可执行的数据集方面的有效性和优势。

🎯 应用场景

该研究的潜在应用领域包括机器人自主导航、智能制造和人机协作等场景。通过生成高质量的TAMP数据集，SCOPE能够显著提升机器人在复杂环境中的任务执行能力，推动智能机器人技术的发展。

📄 摘要（原文）

Task and Motion Planning (TAMP) stands as a fundamental challenge in robotics, essential for enabling autonomous agents to execute complex, long-horizon tasks in diverse environments. While Large Language Models (LLMs) introduce a new paradigm for TAMP by leveraging extensive common sense, their inherent reasoning limitations hinder direct application, and fine-tuning strategies to enhance these capabilities are currently bottlenecked by the scarcity of high-quality datasets. Existing automated generation methods often suffer from homogeneity, limiting model generalization, and unsolvability, where hallucinated scene graphs create physical mismatches with task goals. To address these issues, we propose Scene-graph Construction Optimized by Plan Error-correction (SCOPE), an automated framework designed to generate diverse and executable TAMP datasets. SCOPE incorporates multi-level diversity metrics to maximize the information entropy of scenarios. Crucially, it introduces a Plan Feedback Error-correction pipeline that utilizes planner execution failures as feedback signals to retroactively rectify logical inconsistencies in scene graphs, ensuring physical feasibility. Experimental results demonstrate that SCOPE exhibits greater robustness to erroneous scene graphs and generates higher-quality data. When utilized for LLM fine-tuning, SCOPE-generated data yield a downstream TAMP model that achieves an absolute 12.33% gain in success rate over its counterpart fine-tuned with data generated by DELTA, a state-of-the-art PDDL-based planner.