Oct, 2019

带程序域控制知识的广义规划

PDF
TL;DR本研究论文介绍了如何使用过程式 Domain Control Knowledge (DCK) 来表示和计算广义规划，使用了 “分而治之” 的方法来首先生成解决某些子任务的过程式 DCK，然后将它编译为整个广义规划问题的可调用程序。我们的测试表明，通过使用可调用的过程式 DCK，一个现成的经典规划器可以在广泛的领域内计算出广义计划。
generalized planningprocedural domain control knowledgedivide and conquer approachcallable proceduresclassical planners
发现论文，激发创造
  • 答案集规划中的领域相关知识

    本文探讨了在规划中有用的三种不同的领域相关控制知识（时间、过程和 HTN 基础）以及它们如何被整合进 AnsProlog * 中，通过对少量领域相关规则的模块化添加，我们没有必要修改规划器，最终演示了当使用程序域知识来解决计划问题，规划时间可以大大缩短。

    Jul, 2002

  • 广义规划中的特征、投影和表示变化

    本文将广义规划的标准公式扩展到包括关系型规划域，通过使用抽象动作进行策略生成和基于 FOND 计划器的计算。

    Jan, 2018

  • PDSketch：一体化的计划域编程与学习

    本文研究了一种模型学习和在线规划方法，目的是构建灵活、通用的机器人。具体而言，我们研究如何利用底层环境转换模型中的局部性和稀疏性结构，以提高模型泛化能力、数据效率和运行效率。我们提出了一种新的领域定义语言 PDSketch，允许用户灵活定义转换模型中的高级结构，同时利用可训练的神经网络填充转换模型的细节。基于定义的结构和学习的参数，PDSketch 自动生成独立于领域的规划启发式，加速了针对新目标的性能时间规划。

    Mar, 2023

  • 无监督从少量样本学习通用政策

    此研究提出了一种替代方法来计算更具表现力的通用策略，该方法不需要样本计划或 QNP 计划程序。该方法可以用机器学习中的标准术语来描述，通过定义来自规划示例中的谓词的大但有限的功能池，并寻找用于将 “好” 与 “坏” 状态转换和目标与非目标分开的一小部分功能。然后，这将作为单个组合优化问题一起解决，用加权最大满足问题来表示。

    Jan, 2021

  • 朝向学习领域独立规划启发式方法

    利用机器学习获取领域无关的启发式函数以提高自动规划在不同领域系统中的实际应用。

    Jul, 2017

  • 深度强化学习的广义计划

    从小数据域中学习推导出可适用于远大于其所训练数据范围的领域的普遍性规则，本文研究了深度强化学习和图神经网络在学习这种广义策略的应用，并证明其具有普遍性。

    May, 2020

  • 使用预训练大型语言模型进行 PDDL 领域的广义规划

    本研究考察了大型语言模型是否可作为广义规划器，提供域和训练任务后，生成一个能够有效产生其他任务规划的程序。实验使用 PDDL 领域和 GPT-4 来合成 Python 程序，并考虑了 CoT 摘要和自动调试。研究发现，GPT-4 是一个出乎意料的功能强大的广义规划器，且自动调试非常重要，而 CoT 摘要影响不均。

    May, 2023

  • 一个面向领域无关的计划适应算法

    本文提供了一种用于计划修改的领域无关算法，该算法基于生成式规划的搜索图，旨在将规划与修改相结合。该算法具有完备性和系统性，并可以在搜索过程中应用计划改进算子，也可以从计划中收回限制和步骤。

    Jan, 1995

  • TwoStep：基于经典规划器和大型语言模型的多智能体任务规划

    通过结合经典规划和大型语言模型的优势，我们实现了基于 LLMs 的目标分解，提高了计划的速度和执行成功，并且比单一代理计划少了更少的执行步骤，同时实现了与人类专家指定的多代理执行步骤类似的结果。

    Mar, 2024

  • 推广规划的可靠抽象保证 (扩展论文)

    本研究针对广义规划中的归纳学习过程中模型广化限制的问题，提出基于全量数据的抽象模型和自动化合成方法，并形式化证明了其可行性和正确性。

    May, 2019