PACE: Adaptive Budget Allocation for Time-Efficient Embodied Planning
作者: Yuchen Huang, Xijiang Ying, Zhenhua Ma, Xiaxiang Yuan, Zhijie Gao, Jiayi Huang, Ruichi Mao, Jiazheng Zhang, Hongsheng Ti, Maotao Tian, Rong Shi, Lu Zhao, Shizhuang Zhang, Zhuo Cui, He Wang, Ling Liu, Wei Zhang
分类: cs.RO, cs.AI
发布日期: 2026-08-04
💡 一句话要点
提出PACE框架以解决时间效率低下的规划问题
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 具身规划 推理增强 动态预算分配 时间效率 机器人导航 智能系统
📋 核心要点
- 现有的推理增强语言模型在具身规划任务中面临推理延迟过高的问题，导致实际应用受限。
- PACE框架通过交错思考与执行的架构和动态预算分配器，优化了推理过程，提高了时间利用率。
- 在Robotouille基准测试中，PACE成功率达到10%，相比基线提升67%，思考时间加速6.9倍，显示出显著效果。
📝 摘要（中文）
增强推理的大型语言模型在规划任务中取得了显著进展，但在具身系统中的应用仍然不切实际，主要由于推理延迟过高，通常每个规划实例超过数分钟。现有方法的瓶颈在于其串行特性：模型必须在执行任何动作之前完成所有推理，导致执行时间窗口未被充分利用。为此，本文提出了PACE（自适应认知努力规划）框架，通过交错思考与执行的架构和动态预算分配器，优化了推理过程。在Robotouille基准测试中，PACE的成功率达到10%，相比ReAct+Think基线提高了67%，思考时间加速了6.9倍，显示出战略性认知努力分配能够同时提升规划质量和时间效率。
🔬 方法详解
问题定义：本文旨在解决现有具身规划方法中推理延迟过高的问题，现有方法通常需要在执行任何动作前完成所有推理，导致时间效率低下。
核心思路：PACE框架的核心思想是通过交错思考与执行的方式，允许在推理过程中同时进行动作执行，从而更有效地利用时间窗口。
技术框架：PACE框架主要包括两个模块：交错思考-执行架构和动态预算分配器。交错架构负责将认知处理与动作执行进行流水线处理，而动态预算分配器则根据可用的执行时间窗口调整推理令牌预算。
关键创新：PACE的主要创新在于其交错思考-执行架构和动态预算分配器，使得推理与执行可以并行进行，这与现有方法的串行推理模式形成了本质区别。
关键设计：在设计中，动态预算分配器根据执行时间窗口动态调整推理令牌的分配，确保在有限的时间内最大化推理效率和执行效果。
🖼️ 关键图片
📊 实验亮点
在Robotouille基准测试中，PACE框架的成功率达到了10%，相比ReAct+Think基线提高了67%。此外，思考时间加速了6.9倍，66.8%的思考时间被隐藏在执行窗口内，显示出显著的时间效率提升。
🎯 应用场景
该研究的潜在应用领域包括机器人导航、自动驾驶、智能家居等具身智能系统。通过提升规划效率，PACE框架能够使得这些系统在实时性要求高的场景中更为有效，具有重要的实际价值和未来影响。
📄 摘要（原文）
Reasoning-enhanced large language models have achieved remarkable improvements in planning tasks, yet their deployment in embodied systems remains impractical due to prohibitive inference delays-often exceeding minutes per planning instance. The fundamental bottleneck stems from the serial nature of existing paradigms: models must complete all reasoning before any action execution, leaving execution time windows entirely unexploited. We introduce PACE (Planning with Adaptive Cognitive Effort), a framework that enables interleaved reasoning and execution through two key innovations: an Interleaved Think-Act architecture that pipelines cognitive processing with action execution, and a Dynamic Budget Allocator that adapts reasoning token budgets to available execution time windows. On the Robotouille benchmark using Qwen3-8B-AWQ, PACE achieves a 10% success rate-representing a 67% improvement over the ReAct+Think baseline-while delivering 6.9 times acceleration in thinking time compared to unconstrained reasoning. The framework hides 66.8% of thinking time within execution windows, demonstrating that strategic cognitive effort allocation can simultaneously improve both planning quality and time efficiency. These results provide evidence that time-aware architectural innovations enable reasoning models to operate in latency-sensitive embodied domains where they were previously impractical.