CausGround：因果交互知识提升具身规划成功率

Yijun Shen 等提出 CausGround，一种非参数化因果交互 grounding 框架，将交互经验蒸馏为以动作为中心的可复用因果知识，识别动作前置条件与效果并组织进分解式世界状态表示，在规划时与当前观测对齐，支持对前置条件的反向推理和对效果的正向推理。 在改造后的 VirtualHome 与 RoboCasa 基准上，CausGround 在多种多模态大模型骨干上均提升视觉高层规划表现：VirtualHome 平均任务成功率从 24.9% 升至 53.3%，RoboCasa 闭环规划成功率从 43.0% 升至 57.0%；在 SWITCH 上平均交互推理准确率从 25.8% 升至 31.9%。实机实验显示，CausGround 能从大模型解读的目标反向推导出可执行的高层动作序列，用于顺序操作任务，且无需更新模型参数。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。