X-Planner: Event-Structured Task Planning for Embodied Intelligence
X-Planner：面向具身智能的事件结构化任务规划
🧭 具身智能任务规划 · VLA 规划前端
X Square Robot Team
为 VLA 引入事件结构化规划前端，联合离散事件状态与潜在 CoT 状态，用阶梯解码和冻结重建提升长程规划质量
📌 工作参考价值
- 事件结构化规划拆成「可解释离散事件状态 + 连续潜在 CoT 状态」双接口，可迁移到电商 Agent 的长流程任务：让 LLM 输出可读子目标序列，同时保留 latent 状态跨层传递，兼顾审计与推理深度。
- 用冻结的 latent-to-text 重建目标作为语义锚点，适合在业务中给隐状态加约束，避免端到端训练后 latent 漂移，尤其适用于没有大量标注的推荐/搜索 Agent 规划数据。
- 利用接管时间（takeover time）和人工注入失败样本训练持续错误识别，可借鉴到交互式推荐或对话 Agent：把用户中断/纠正日志作为弱监督，训练模型提前识别错误。
- 离线评估采用两步法：先评规划文本质量（BERTScore/LLM judge），再测下游执行；业务中可把「规划质量」与「最终业务指标」解耦，缩短迭代周期。
动机：现代 VLA 系统常把高层指令到低层动作的中间规划隐式化，现有 CoT 规划器依赖粗粒度任务级标注或逐 token 生成长推理链，导致监督与表示碎片化。
方法关键点：X-Planner 构建分层规划数据，融合 Ego、UMI 和遥操作，按来源设置不同标注深度；用接管时间和人工注入失败监督持续错误识别。模型侧共享 VLM 主干，提供两种事件结构化规划形式：离散接口发射可解释事件状态，潜在接口通过 Staircase Decoding 在交错 Transformer 深度传递连续 CoT 状态；冻结的 latent-to-text 重建目标给潜在表示提供语义锚点。
关键结果数字：离线两步规划评估中，X-Planner 在 BERTScore-F1 和 judge-based Overall 均排在四个评估模型第二；真机实验中优于评估基线，表征规划文本质量和下游执行。