La Modellazione del Mondo Migliora la Pianificazione: Ottimizzazione Duale delle Preferenze per la Pianificazione di Compiti Embodied

World Modeling Makes a Better Planner: Dual Preference Optimization for Embodied Task Planning

March 13, 2025

Autori: Siyin Wang, Zhaoye Fei, Qinyuan Cheng, Shiduo Zhang, Panpan Cai, Jinlan Fu, Xipeng Qiu

cs.AI

Abstract

I recenti progressi nei grandi modelli visione-linguaggio (LVLM) hanno mostrato promettenti risultati per la pianificazione di compiti embodied, ma continuano a incontrare sfide fondamentali come i vincoli di dipendenza e l'efficienza. Gli approcci esistenti si concentrano esclusivamente sull'ottimizzazione della selezione delle azioni o sfruttano modelli del mondo durante l'inferenza, trascurando i vantaggi dell'apprendimento per modellare il mondo come mezzo per migliorare le capacità di pianificazione. Proponiamo Dual Preference Optimization (D^2PO), un nuovo framework di apprendimento che ottimizza congiuntamente la previsione dello stato e la selezione delle azioni attraverso l'apprendimento delle preferenze, consentendo ai LVLM di comprendere le dinamiche dell'ambiente per una migliore pianificazione. Per raccogliere automaticamente traiettorie e dati di preferenza passo-passo senza annotazioni umane, introduciamo un meccanismo di ricerca ad albero per un'esplorazione estensiva tramite tentativi ed errori. Esperimenti estesi su VoTa-Bench dimostrano che il nostro metodo basato su D^2PO supera significativamente i metodi esistenti e GPT-4o quando applicato a Qwen2-VL (7B), LLaVA-1.6 (7B) e LLaMA-3.2 (11B), raggiungendo tassi di successo superiori nei compiti con percorsi di esecuzione più efficienti.

English

Recent advances in large vision-language models (LVLMs) have shown promise for embodied task planning, yet they struggle with fundamental challenges like dependency constraints and efficiency. Existing approaches either solely optimize action selection or leverage world models during inference, overlooking the benefits of learning to model the world as a way to enhance planning capabilities. We propose Dual Preference Optimization (D^2PO), a new learning framework that jointly optimizes state prediction and action selection through preference learning, enabling LVLMs to understand environment dynamics for better planning. To automatically collect trajectories and stepwise preference data without human annotation, we introduce a tree search mechanism for extensive exploration via trial-and-error. Extensive experiments on VoTa-Bench demonstrate that our D^2PO-based method significantly outperforms existing methods and GPT-4o when applied to Qwen2-VL (7B), LLaVA-1.6 (7B), and LLaMA-3.2 (11B), achieving superior task success rates with more efficient execution paths.