Jan, 2014

LAMA Planner: 以标志物为导向的成本感知规划算法

PDF
TL;DRLAMA 是一个基于启发式正向搜索的经典规划系统，利用里程碑派生的伪启发式是其核心特征，结合具备成本敏感性的两种启发式可以面对具有非均匀成本的动作，迭代加权 A * 搜索可持续提高搜索质量并表现出与使用里程碑有协同效应；LAMA 在国际计划竞赛 2008 的顺序满足赛道表现最佳，但它的启发式评估中融入动作成本并不具优势，导致在某些情况下，不考虑成本的搜索方法更加成功，这引出了今后应如何更有效地处理行动成本的问题。
发现论文，激发创造
  • 将 LAMA 与最佳优先宽度搜索相结合

    如何将最成功的 BFWS 与经典规划器 LAMA 相结合，我们研究表明，将 BFWS 中强大的 open-list 直接添加到 LAMA 中会降低其性能，但将两者的部分特征相结合却能产生一种新的最先进的敏捷规划器。

    Apr, 2024

  • 相关分数：规划中的地标式启发式

    通过定义一种新的 “相关性评分” 来帮助识别出在大多数但并非所有计划中出现的事实或行动，我们研究了对地标概念的扩展。我们描述了一种计算此相关性评分并将其用作计划搜索中的启发式的方法。通过使用基准计划问题实验比较我们方法与现有的基于地标启发式计划方法的性能。尽管基于地标的启发式在具有明确定义地标的问题上的性能更好，但我们的方法显著提高了缺乏重要地标的问题的性能。

    Mar, 2024

  • 利用路径标志将广义规划扩展为启发式搜索

    本文提出了一种用于广义规划的地标计数启发式算法，可以考虑规划实例中未显式表示的子目标信息，进一步提升启发式搜索的效率和实现。

    May, 2022

  • 规划中的有序地标

    本文提出一种新的方法，在规划中利用排序约束来指导搜索，使用工具扩展 Koehler 和 Hoffmann 的合理顺序，找到 Landmarks 并将规划任务分解为多个子任务从而提高运行时间性能。

    Jun, 2011

  • 地标提取算法对基于地标的目标识别效果的评估

    探讨了使用多种不同的地标提取算法在目标和计划识别上的影响和效果，发现提取更多的地标并不一定能提高目标识别的精度和减小误差。

    May, 2020

  • 大型部分可观察环境中的顺序计划引导 LLMs

    通过结合状态空间搜索和基于自然语言模型的查询，我们提出了一种混合代理方法 neoplanner，以最大化状态值的上界来平衡探索和开发，并通过查询自然语言模型以生成行动计划，进一步提高了大规模状态空间和行动空间的顺序规划的性能。

    Dec, 2023

  • 提升 LaCAM 以实现可扩展的最终最优多智能体路径规划

    这篇研究论文研究了一种名为 LaCAM 的多智能体路径规划算法，通过优化 LaCAM 算法的继承和增强，实现了平均优化解决 99% 的多智能体路径规划问题。

    May, 2023

  • 语言模型可以从环境反馈中推断经典计划器的动作语义

    提出使用经典规划和大型语言模型共同实施领域归纳、学习和验证动作的前后条件，利用 LLM 推理来启发性地完成经典规划器发出的部分计划，并根据执行后的环境反馈用逻辑语言推断领域的语义规则。通过对 7 个环境的分析表明，使用 LLMs 作为启发性规划器和规则预测器仅需一个专家精心策划的示例计划，就能够比随机探索更少的执行步骤和环境重置，并同时恢复领域的基本行动语义。

    Jun, 2024

  • 基于可信度的潜在空间经典规划启发式

    LatPlan 通过无标签图像数据学习领域无关的经典计划器模型，提出了基于可信性的启发式方法 PBH，可以显著提高图像拼图和汉诺塔领域的有效解决方案数量。

    Jun, 2023

  • 回归传统：用传统机器学习学习可靠的启发式方法

    当前的学习规划方法在几个领域中仍无法与经典规划器达到竞争力的性能，并具有较差的综合性能。本研究提出了一种构建新颖的图表示的提升规划任务，并使用 WL 算法从中生成特征的方法。这些特征与传统机器学习方法结合使用，其参数数量比最先进的深度学习规划模型少 2 个数量级，训练速度快 3 个数量级。我们的新方法 WL-GOOSE 可可靠地从头开始学习启发式，并在公平竞争环境中优于 $h^{ext {FF}}$ 启发式。在 10 个领域中 WL-GOOSE 在覆盖率上优于或与 LAMA 持平，在计划质量上优于 LAMA 的 4 个领域。WL-GOOSE 是第一个在学习规划模型中取得这些成就的模型。此外，我们还研究了我们的新型 WL 特征生成方法、先前的理论化学习架构和用于规划的描述逻辑特征之间的联系。

    Mar, 2024