发表机构
KAIST (Korea Advanced Institute of Science and Technology)（韩国科学技术院）
机构由 AI 辅助整理，请以论文原文为准。AI 中文总结
本文提出一种基于LLM的行动序列迁移系统，利用场景图和多层级表示，在不同环境间自适应迁移用户行动序列，并在Ego4D GoalStep数据集上验证了其有效性。
AI 中文摘要
我们提出了一种行动序列迁移系统，该系统能够自适应地将用户行动序列迁移到不同的目标空间。给定来自源空间的输入行动序列以及源环境和目标环境的场景图表示，我们的系统通过适应新环境的空间和物体约束，预测目标空间中相应的行动序列。为实现这一目标，我们利用用户活动的多层级表示，在不同抽象层次上泛化行动。为了演示我们的系统，我们收集了一个基于场景图的新数据集，该数据集源自Ego4D GoalStep数据集，用于评估。结果表明，即使在物体配置差异巨大的空间之间，我们的系统也能生成有效的行动序列。
英文摘要
We present an action sequence transfer system that adaptively transfers user action sequences across different target spaces. Given an input action sequence from a source space and scene graph representations of both the source and target environments, our system predicts a corresponding action sequence in the target space by adapting to the spatial and object constraints of the new environment. To achieve this, we leverage multi-level representations of user activity to generalize actions at varying levels of abstraction. To demonstrate our system, we collect a new scene graph-based dataset derived from the Ego4D GoalStep dataset for evaluation. Results indicate that our system can generate valid action sequences even between spaces with drastically different object configurations.
Comments8 pages, 7 figures, Accepted to IEEE International Conference on Robotics and Automation (ICRA 2026)
