Embodied Task Planning via Graph-Informed Action Generation with Large Language Model

1. O Problema

O artigo aborda os desafios fundamentais no planejamento de tarefas corporificadas (embodied task planning) utilizando Grandes Modelos de Linguagem (LLMs). Embora os LLMs demonstrem fortes capacidades de raciocínio zero-shot, sua aplicação em agentes físicos para tarefas de longo prazo enfrenta obstáculos críticos:

• Limitações de Janela de Contexto: Estratégias sequenciais (como ReAct) acumulam histórico de interação linearmente, levando ao "desvio de contexto" (context drift), onde o modelo perde o objetivo de alto nível.
• Estruturas de Planejamento Rígidas: Métodos baseados em árvores (como Tree-of-Thoughts ou árvores de contexto hierárquicas) forçam uma serialização artificial de tarefas. Isso impede o planejamento paralelo; por exemplo, se uma tarefa exige espera (ex: ferver água), a árvore bloqueia a execução de outras tarefas independentes (ex: colocar uma tigela na mesa) até que o nó atual seja concluído.
• Alucinações e Falhas de Coerência: LLMs frequentemente alucinam transições que violam restrições do ambiente ou falham em manter a coerência estratégica em horizontes longos.

2. Metodologia: Framework GiG (Graph-in-Graph)

Os autores propõem o GiG, um novo framework de planejamento que estrutura a memória do agente utilizando uma arquitetura de Grafo-em-Grafo. O sistema opera através de três componentes principais:

A. Arquitetura de Memória de Dois Níveis

1. Grafo de Cena (Inner Graph):
   • Representa o estado instantâneo do ambiente em um passo $t$.
   • Nós representam entidades (ex: robô, ingredientes) e arestas representam relações espaciais e de estado (ex: "queijo sobre a mesa").
   • Um Rede Neural de Grafos (GNN), especificamente uma Graph Attention Network (GAT), codifica este grafo em um embedding vetorial denso ($z_t$) que captura a topologia estrutural e semântica, não apenas estatísticas globais.
2. Grafo de Transição de Estado (Outer Graph):
   • Modela a trajetória de exploração do agente ao longo do tempo.
   • Cada nó no grafo externo corresponde a um embedding de estado codificado pelo GNN.
   • As arestas representam transições realizadas por ações.
   • Vantagem: Diferente de árvores, esta estrutura permite ramificação dinâmica e a instanciação de novos sub-objetivos sem bloquear tarefas paralelas, permitindo ao agente utilizar "horizontes ociosos" (ex: realizar outras ações enquanto espera um processo assíncrono).

B. Módulo de Busca de Experiência (Memory Retrieval)

• O framework mantém um banco de memória de experiências passadas (trajetórias de sucesso).
• Utilizando o embedding do estado atual ($z_t$), o sistema realiza uma busca de similaridade estrutural no banco de dados para recuperar trajetórias históricas relevantes.
• Isso permite a transferência de habilidades (skill transfer) entre tarefas similares, guiando o agente com padrões estruturais passados em vez de depender apenas de texto bruto.

C. Módulo de "Lookahead" Limitado (Bounded Lookahead - BL)

• Para mitigar alucinações, o GiG integra um módulo que projeta as consequências imediatas de ações candidatas.
• Utilizando uma função de transição simbólica (ou um modelo de mundo aprendido), o sistema simula 1 passo à frente para cada ação válida, gerando estados futuros grounded (ancorados na realidade).
• O LLM recebe essas projeções explícitas no seu contexto, transformando o processo de "raciocínio imaginativo" em "seleção discriminativa" baseada em fatos observáveis.

D. Detecção de Loops

• O sistema monitora o grafo de transição para detectar quando o agente retorna a um estado estruturalmente idêntico (loop), permitindo o backtracking e a correção de estratégias falhas.

3. Contribuições Chave

1. Arquitetura Graph-in-Graph: Introdução de uma memória topológica de dois níveis que combina a descrição de cena local com a memória de trajetória global, superando as limitações de serialização das árvores.
2. Codificação Estrutural via GNN: Uso de GNNs para criar representações de estado que capturam dependências espaciais e lógicas, facilitando a recuperação de experiências estruturalmente similares.
3. Módulo de Lookahead Grounded: Integração de projeções de transição simbólica para garantir que o raciocínio do LLM seja ancorado nas restrições físicas do ambiente.
4. Eficiência Computacional: Redução drástica do custo de contexto ao agregar histórico em grafos estruturados, em vez de manter janelas de conversação longas e lineares.

4. Resultados Experimentais

O framework GiG foi avaliado em três benchmarks de planejamento corporificado: Robotouille (Síncrono e Assíncrono) e ALFWorld.

• Desempenho Geral: O GiG superou consistentemente os baselines de última geração (ReCAP, ReAct, CoT).
  • Robotouille Síncrono: Ganho de até 22% em Pass@1 (Qwen3-235B) em comparação com o ReCAP.
  • Robotouille Assíncrono: Ganho de até 37% em Pass@1, demonstrando superioridade em gerenciar tarefas concorrentes e atrasos.
  • ALFWorld: Alcançou desempenho quase perfeito (97% com Qwen3), superando o ReCAP (89%).
• Eficiência de Passos: Embora o GiG às vezes use mais passos em tentativas de sucesso (devido à exploração robusta em tarefas difíceis), ele é significativamente mais eficiente quando considera todas as tentativas (sucesso + falha), evitando loops infinitos e exploração desnecessária.
• Modelos Pequenos: A injeção de memória de experiência (GiG+Exp) recuperou significativamente o desempenho de modelos menores (ex: Qwen3-30B), melhorando o Pass@1 em 15% a 27%, atuando como um "plug-in" eficaz.
• Custo Computacional: A análise de FLOPs mostra que o GiG requer ordens de magnitude menos computação em horizontes longos comparado a métodos que acumulam todo o histórico de texto, pois mantém o contexto compacto através da representação em grafos.

5. Significado e Conclusão

O trabalho GiG demonstra que a representação estruturada da memória é crucial para o raciocínio corporificado robusto em tarefas de longo prazo. Ao substituir a serialização linear por uma estrutura de grafos dinâmica e ancorada em simulações de transição, o framework resolve problemas de context drift e ineficiência em tarefas paralelas.

A principal implicação é que LLMs não precisam apenas de mais tokens de contexto, mas de representações de estado mais inteligentes e estruturadas. O GiG oferece um caminho viável para agentes autônomos que podem aprender com experiências passadas, adaptar-se a ambientes dinâmicos e planejar de forma proativa com custos computacionais reduzidos, sendo particularmente eficaz em cenários onde a concorrência e a dependência de recursos são críticas.