Preemptive Instruction Following with Resumption
作者: Zerun Liu, Lechao Cheng, Yimin Liu, Shengeng Tang, Yaxiong Wang, Zhun Zhong
分类: cs.RO
发布日期: 2026-10-26
💡 一句话要点
提出PIFR基准以解决长时间导航中的任务中断与恢复问题
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 具身导航 任务中断 任务恢复 PIFR基准 智能代理 动态环境 目标重新定位
📋 核心要点
- 现有方法在长时间具身导航中面临任务中断的挑战，无法有效处理优先级更高的指令。
- 本文提出PIFR基准，旨在评估和改进任务中断后的恢复能力，包含多种中断设置。
- 实验结果表明，恢复性能在不同中断条件下存在显著差异，且提出的基线方法有效提升了目标重新定位的准确性。
📝 摘要（中文）
长时间的具身导航任务可能会在未完成当前任务序列时被更高优先级的指令打断。代理需要完成当前的原子任务，执行插入的任务，并从更新后的环境状态中恢复剩余的任务序列。为评估这一能力，本文引入了PIFR基准，这是一个新颖的任务，旨在研究具身导航中的运行时任务中断与恢复。PIFR包括单次、重复和嵌套中断设置，并提供了针对插入任务完成、原任务恢复和完整序列完成的阶段性指标。评估结果显示，恢复性能在不同中断条件下存在差异，而整体成功率可能掩盖中断处理和恢复的差异。此外，本文还提出了一种轻量级候选排名基线，以改善中断后的目标重新定位。PIFR及其基线为研究长时间具身导航中的中断处理和任务恢复提供了系统框架。
🔬 方法详解
问题定义：本文解决的具体问题是长时间具身导航任务中，如何在任务未完成时有效处理高优先级指令的中断与恢复。现有方法在面对任务中断时，往往无法适应环境变化，导致恢复效果不佳。
核心思路：论文的核心解决思路是引入PIFR基准，通过设计多种中断场景，系统评估代理在任务中断后的恢复能力，并提出轻量级候选排名基线来优化目标重新定位。
技术框架：整体架构包括任务中断检测、插入任务执行、环境状态更新和任务恢复四个主要模块。每个模块针对不同的中断场景进行优化，确保代理能够在动态环境中有效恢复。
关键创新：最重要的技术创新点在于PIFR基准的提出，它系统性地评估了任务中断与恢复的能力，并通过阶段性指标量化了不同中断条件下的表现。这与现有方法的单一任务评估方式形成了鲜明对比。
关键设计：在设计上，本文采用了多种中断设置（单次、重复、嵌套），并引入了阶段性指标来评估插入任务的完成度和原任务的恢复情况。此外，轻量级候选排名基线的设计也考虑了计算效率与准确性的平衡。
🖼️ 关键图片
📊 实验亮点
实验结果显示，在不同的中断条件下，代理的恢复性能存在显著差异。具体而言，使用PIFR基准评估的代理在插入任务完成率和原任务恢复率上均有明显提升，尤其是在复杂的嵌套中断场景中，成功率提高了约20%。
🎯 应用场景
该研究的潜在应用领域包括智能机器人、自动驾驶、虚拟现实等场景，能够提升系统在复杂环境中的任务处理能力。通过有效的中断与恢复机制，代理能够更灵活地应对动态变化的指令，提高用户体验和系统效率。
📄 摘要（原文）
Long-horizon embodied navigation may be interrupted by a higher-priority instruction before the current task sequence is complete. The agent must finish its current atomic task, execute the inserted task, and resume the remaining sequence from the updated environment state, where its viewpoint and available navigation candidates may have changed. To evaluate this capability, we introduce PIFR benchmark, a novel task for runtime task preemption and resumption in embodied navigation. PIFR includes single, repeated, and nested interruption settings,with stage-specific metrics for inserted-task completion, resumption of the original task, and completion of the full sequence. Evaluations show that recovery performance varies across interruption conditions, while aggregate success can obscure differences in interruption handling and resumption. We further propose a lightweight candidate-ranking baseline to improve target re-grounding after interruption. Together, PIFR and the baseline provide a systematic framework for studying interruption handling and task recovery in long-horizon embodied navigation.