CausGround：面向自适应具身规划的因果交互 grounding

Hugging Face Daily Papers 论文
embodied-ai planning multimodal-llm causal-reasoning robotics world-model

摘要

CausGround 提出一种非参数化的因果交互锚定框架，从交互经验中提炼可复用的动作前置条件与效果，无需重训模型即可提升多模态大语言模型在 VirtualHome、RoboCasa 等基准上的具身规划成功率（如从 24.9% 提升至 53.3%）。

多模态大语言模型（MLLM）展现出良好的推理能力，但可靠的物理交互需要在规划时考虑动作何时可执行，以及动作如何改变世界。这些前置条件和效果依赖于环境，且往往未被 MLLM 捕捉，因此难以适应不同环境。然而，现有方法要么需要代价高昂的环境专用训练，要么依赖难以复用的非结构化交互经验。为此，我们提出 CausGround，一种非参数化的因果交互接地框架，可将交互经验提炼为可复用的、以动作为中心的因果知识。CausGround 识别动作的前置条件和效果，并将其组织在一种因子化的世界状态表示中，以刻画物体属性及物体间关系。在规划时，将与任务相关的因果依赖关系与当前观测相对应，从而支持对前置条件的反向推理和对效果的正向推理，以进行动作选择和多步规划。我们在仿真高层规划、交互推理和真实世界机器人操作任务中评估了 CausGround。在经过适配的 VirtualHome 和 RoboCasa 基准上，CausGround 提升了不同 MLLM 主干模型基于视觉的高层规划能力，将 VirtualHome 上的平均任务成功率从 24.9% 提高至 53.3%，并将 RoboCasa 上的闭环规划成功率从 43.0% 提高至 57.0%。在 SWITCH 上，平均交互推理准确率从 25.8% 提高至 31.9%，表明其在动作选择、失败恢复和验证方面有所改善。此外，真实世界实验表明，CausGround 能够从 MLLM 解读的目标出发进行反向推理，为序列操作推导出可执行的高层动作序列。这些结果表明，可复用的动作前置条件和效果能够在无需更新参数的情况下，支持跨多种环境的长时程具身规划。
查看原文
查看缓存全文

缓存时间: 2026/10/29 09:32

论文页面 - CausGround：面向自适应具身规划的因果交互扎根

来源：https://huggingface.co/papers/2610.29702

摘要

CausGround 从交互经验中提取可复用的动作前置条件和效果，无需重新训练模型，即可改进多样化环境中的具身规划与推理\。

多模态大语言模型 (https://huggingface.co/papers?q=Multimodal%20large%20language%20models)(MLLMs) 展现出良好的推理能力，但可靠的物理交互需要在规划时考虑动作何时可执行，以及动作如何改变世界\。这些前置条件和效果取决于环境，而且往往未被 MLLM 掌握，因此适应新环境具有挑战性\。然而，现有方法要么需要成本高昂的环境特定训练，要么依赖难以复用的非结构化交互经验\。因此，我们提出 CausGround，这是一种非参数化的因果交互扎根 (https://huggingface.co/papers?q=causal%20interaction%20grounding)框架，可将交互经验提炼为可复用的、以动作为中心的因果知识\。CausGround 识别动作前置条件 (https://huggingface.co/papers?q=action%20preconditions)及其效果，并将其组织在因子化世界状态表示 (https://huggingface.co/papers?q=factorized%20world-state%20representation)中，以刻画物体属性和物体间的关系\。在规划时，与任务相关的因果依赖关系会与当前观测相结合，以支持针对前置条件的反向推理 (https://huggingface.co/papers?q=backward%20reasoning)和针对效果的正向推理 (https://huggingface.co/papers?q=forward%20reasoning)，从而实现动作选择与多步规划\。我们在仿真高层规划 (https://huggingface.co/papers?q=high-level%20planning)、交互推理和现实世界机器人操作任务中评估了 CausGround\。在经过适配的 VirtualHome 和 RoboCasa 基准上，CausGround 提升了以不同 MLLM 为骨干模型的视觉高层规划 (https://huggingface.co/papers?q=high-level%20planning)性能，将 VirtualHome 上的平均任务成功率从 24.9% 提高至 53.3%，并将 RoboCasa 上的闭环规划成功率从 43.0% 提高至 57.0%\。在 SWITCH 上，平均交互推理准确率从 25.8% 提高至 31.9%，表明动作选择、恢复和验证能力有所改善\。此外，现实世界实验表明，CausGround 能够从 MLLM 解析的目标出发进行反向推理，为序列操作推导出可执行的高层动作序列\。这些结果表明，可复用的动作前置条件 (https://huggingface.co/papers?q=action%20preconditions)及其效果能够在无需更新参数的情况下，支持多样化环境中的长时程具身规划 (https://huggingface.co/papers?q=embodied%20planning)\。

查看 arXiv 页面 (https://arxiv.org/abs/2610.29702)查看 PDF (https://arxiv.org/pdf/2610.29702)项目页面 (https://causground.github.io/)GitHub1 (https://github.com/Intelligent-Interaction/CausGround)添加到合集 (https://huggingface.co/login?next=%2Fpapers%2F2610.29702)

在你的智能体中获取这篇论文：

hf papers read 2610\.29702

还没有最新的 CLI？curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用这篇论文的模型0

没有模型关联这篇论文

在模型的 README.md 中引用 arxiv.org/abs/2610.29702，即可从此页面链接到该模型\。

引用这篇论文的数据集0

没有数据集关联这篇论文

在数据集的 README.md 中引用 arxiv.org/abs/2610.29702，即可从此页面链接到该数据集\。

引用这篇论文的 Space0

没有 Space 关联这篇论文

在 Space 的 README.md 中引用 arxiv.org/abs/2610.29702，即可从此页面链接到该 Space\。

收录这篇论文的合集0

没有合集收录这篇论文

将这篇论文添加到合集 (https://huggingface.co/new-collection)，即可从此页面链接到该合集\。

相似文章

CausalAlign：面向一致自运动的视频生成模型因果对齐

Hugging Face Daily Papers

CausalAlign 论文提出一种因果对齐框架，通过将扩散视频生成模型的内部表征与 3D 基础模型在 delta-token 空间中对齐，改善长时程相机自运动的一致性，在几何一致性上提升超过 20%，并提升了具身操作任务中世界动作模型的成功率。

GroundingPI：面向物理智能的视觉基元接地基础模型

Hugging Face Daily Papers

GroundingPI：一个4B参数的视觉定位基础模型，以量化坐标生成点与框，在34个定位基准上以73.68%平均成绩超越GPT-6 Astra等44个基线，并在机器人操作与自动驾驶下游任务中显著提升性能。

MAMHOI：通过可供性分解场景感知的人与物体交互

Hugging Face Daily Papers

MAMHOI 通过动作可供性（affordances）对场景感知的人-物交互生成进行解耦，利用场景条件模型预测可供性，再由可供性条件生成模型合成协调的人-物运动，从而无需配对的人-物-场景训练数据即可生成更符合场景几何、减少穿透的交互运动。