AtomTree：分层框架让LLM具身规划更鲁棒

引言

在交互环境中执行自然语言指令的具身智能体，需要理解人类意图并完成长时程任务。传统方法要么依赖大量标注轨迹，要么使用少样本/零样本LLM提示一次性生成完整计划。这种“一次性规划”模式严重依赖语言常识，从初始指令就锁定计划，直到失败才更新，导致鲁棒性和状态感知能力不足。近期提出的AtomTree框架通过分层和状态感知机制，为LLM驱动的具身规划提供了新思路。

AtomTree框架概览

现有规划的局限性

现有具身指令跟随规划器主要分为两类：一类基于大规模标注轨迹进行监督学习，泛化成本高；另一类利用LLM的少样本或零样本能力，通过单次串行推理生成完整动作序列。后者虽然降低了数据依赖，但存在明显缺陷：规划过程与当前环境状态脱节，LLM只能基于语言常识“脑补”执行细节；一旦初始计划有误，智能体只能等到动作失败后才重新规划，此时可能已偏离目标很远。这种“开环”特性使得智能体在动态或不确定环境中表现脆弱。

符号状态（symbolic state）是具身规划中的关键概念。它指用离散、结构化的符号（如谓词逻辑、键值对或场景图）来抽象表示环境信息，例如物体类别、位置关系、智能体手持物、容器开闭状态等。与原始像素或传感器数据相比，符号状态大幅压缩了信息量，使大语言模型能够在有限的上下文窗口内聚焦于与决策相关的要素。在经典规划中，符号状态是搜索算法的输入；在LLM驱动的具身规划中，符号状态充当语言模型与环境之间的接口——LLM基于符号描述推理下一步动作，执行后再由感知模块更新符号状态。符号状态的设计直接影响规划的可解释性与准确性：粒度过粗会丢失关键约束，过细则增加LLM的推理负担。

开环规划与闭环规划是理解一次性规划缺陷的对照框架。开环控制指系统按预设序列执行动作而不根据执行结果调整，类似按固定菜谱做菜；闭环控制则持续采集反馈并修正后续动作。LLM一次性生成完整计划属于典型的开环模式：计划在生成瞬间即被冻结，执行过程中的环境变化或推理错误无法被及时纠正。闭环规划要求在每个动作后评估状态偏差并重新决策，但其代价是频繁调用LLM带来的计算开销和上下文膨胀。AtomTree的增量式决策本质上是在两者之间取折中：既保留LLM的推理能力，又通过状态感知和回溯重规划引入闭环反馈，从而在鲁棒性与效率之间取得平衡。

AtomTree的核心设计

AtomTree将任务规划建模为增量构建的子目标与动作树。在每一步，LLM根据当前符号状态决定是进一步分解子目标，还是直接输出可执行的低层动作。这种“按需分解”的策略避免了过早锁定抽象计划，让规划粒度随环境反馈动态调整。

状态感知的决策

与一次性生成全规划不同，AtomTree在每一步都基于最新的符号状态做决策。符号状态抽象了环境中的关键信息（如物体位置、智能体状态），使LLM能够聚焦于当前可操作的选择。这种设计让规划过程天然具备状态感知能力，减少了因语言常识偏差导致的错误。

轻量级记忆模块

AtomTree引入一个轻量级记忆模块，用于总结过去子目标的执行结果。这些总结在后续决策中被重用，帮助LLM避免重复错误或利用已获得的经验。记忆模块不存储原始轨迹，而是提炼关键信息，降低了上下文长度压力。

分层回溯重规划

当低层动作执行停滞时，AtomTree触发分层回溯重规划：返回到父节点，并基于最新状态重新生成子树计划。这种机制防止智能体沿着错误轨迹继续漂移，将失败转化为局部重新规划的机会，而非全局重启。回溯的层级结构使得重新规划范围可控，提升了长时程任务的鲁棒性。

零样本评估表现

在ALFRED基准的零样本评估中，AtomTree优于先前的LLM-based规划器。ALFRED是具身指令跟随的常用测试平台，要求智能体在模拟家庭环境中完成多步骤任务。零样本设置意味着AtomTree未针对该基准进行微调，其优势来自框架设计本身。这一结果说明，分层与状态感知的结合能有效提升LLM在具身规划中的泛化能力。

ALFRED（Action Learning From Realistic Environments and Directives）是具身指令跟随领域的代表性基准，由Shridhar等人于2020年提出。它基于AI2-THOR模拟器构建，包含约2.5万条自然语言指令，覆盖家庭环境中的多步骤任务，如“把加热过的苹果放进冰箱”。ALFRED的难点在于任务长时程、指令涉及空间与状态约束、且要求智能体完成导航、物体操作、状态改变等多类动作。评估通常采用成功率（Success Rate）和路径加权成功率等指标。零样本评估指模型未在ALFRED训练集上微调，直接测试其泛化能力，因此更能反映框架设计本身的优劣，而非对特定数据分布的拟合。

对具身智能的启示

AtomTree的提出反映了具身规划的一个趋势：从“一次性生成”转向“增量式决策”。通过将LLM的推理能力与环境的实时状态结合，智能体能够更灵活地应对不确定性。分层回溯机制也为错误恢复提供了结构化方案，避免了传统重规划的高昂成本。未来，如何更高效地表示符号状态、如何让记忆模块适应更复杂任务，仍是值得探索的方向。