- 现有**具身指令跟随(Embodied Instruction Following, EIF)** 方法在**长时程规划(long-horizon planning)** 和**处理不可逆状态变化(irreversible state changes)** 时表现不佳
- 任务成功率低，难以应对复杂自然语言指令与3D交互环境的动态性
- 研究背景：尽管近期有进展，但当前代理缺乏对执行过程持续调整的能力
- 提出**RePlan-Bot**，一个执行**多层次连续重新规划(multi-level continuous replanning)** 的EIF代理
- 集成高层**LLM审计器(LLM-based auditor)**，基于环境反馈动态调整子目标
- 使用**常识引导的搜索机制(commonsense-guided search mechanism)**，基于**多层实例地图(multi-layered instance map)** 实现精确结构化对象定位
- 引入轻量级**ViT修正器(ViT-based corrector)**，提前修正有风险的底层动作
- **首创多层次连续重新规划框架**：在高层和低层同时进行实时重新规划，区别于仅依赖静态规划或单次调整的方法
- **多模块协同设计**：将**LLM审计**、**常识搜索** 和**ViT修正** 结合，覆盖从目标分解到动作执行的全链路
- **可应对不可逆状态变化**：通过连续反馈和修正，显著提升了在动态环境中的鲁棒性
- 在**ALFRED基准** 上达到**所见(seen)和未见(unseen)环境** 的**SOTA(state-of-the-art)** 性能
- 解决了长时程规划和状态变化的**核心瓶颈**，为EIF领域提供新的范式
- 展示了优越的**适应性(adaptability)** 和**可靠性(reliability)**，促进具身代理在真实场景中的应用