Apr, 2022

在纯过去时线性时态逻辑中规划具有时间延伸目标：多项式约减为标准规划

PDF
TL;DR研究纯过去时线性时态逻辑（PPLTL）中表达的时间上延长的目标，这对于表达目标特别有趣，因为它允许表达形式方法文献中的复杂任务，同时在确定性和非确定性领域的规划的最坏情况的计算复杂性仍然与经典可达性目标相同。本文提出了一种将 PPLTL 目标的计划多项式转化为标准计划的技术，并展示了翻译的形式正确性、复杂性和实际效果。
pure-past ltlplanninggoalsformal methodstools
发现论文，激发创造
  • 完全可观察非确定性领域模型中的时间扩展目标识别

    本文研究将目标识别扩展到具有完整可观察性和非确定性的计划领域模型中，重点是在使用线性时间逻辑（LTLf）和纯过去线性时间逻辑（PLTLf）表达的有限痕迹上识别目标。我们开发了第一种能够识别此类设置中目标的方法，并使用六个计划领域模型上的不同 LTLf 和 PLTLf 目标进行评估，实验结果表明我们的方法在不同的识别设置中识别时间上延长的目标是准确的。

    Jun, 2023

  • 从目标导向的 LTLf 公式设计行为树

    本文给出了一种将有限路径线性时间逻辑（LTL）中的目标转化为行为树（BT）的方法，其中通过成就取向任务任务语法获得有用的 LTL 公式，为通过运用 LTL 运算符组合任务形成任务提供了可能，这产生了放松的行为综合问题，其中广泛的规划器可以实现 BT 中的动作节点，并且任何规划器产生的成功路径均满足相应的 LTL 公式。

    Jul, 2023

  • 线性时态逻辑约束下的策略优化

    本文研究了带线性时间逻辑约束的策略优化问题。通过使用生成模型和 LTL 语言，提出了一种基于模型的方法，用于在低样本数据情形下保证任务满足和成本最优的算法。

    Jun, 2022

  • 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

  • 基于优先级偏好的概率化时态逻辑规划

    本文利用标记的马尔可夫决策过程研究在有多个时间目标的用户偏好下的概率环境中的时间规划。提出了一种新的优先定性选择线性时间逻辑的规范语言，通过对有限的轨迹进行优先排序的连接和有序分离，使得可以简洁地指定每个时间任务的相应优先级。利用该计算模型，提出了一种计算最优策略的问题，该策略以最小化用户偏好的期望不满意度分数为目标。在几个案例研究中，我们演示了该逻辑和算法的有效性和适用性，并对每个案例进行了详细分析。

    Apr, 2023

  • 泛化规划：非确定性抽象和轨迹约束

    本文研究了具有共同特征的问题集合的一般策略的特征和计算，并介绍了如何通过利用轨迹约束以及 LTL 公式来消除策略的终止条件以及降低规划的复杂度。

    Sep, 2019

  • 在潜空间中通过组合目标实现高效在线微调

    本文提出了一种名为 Planning to Practice（PTP）的方法，旨在解决普适性机器人面临的目标达成困难和训练代价高的问题，通过分解目标化问题和离线增强学习与在线探索相结合的方法，实现对复杂任务的有效训练和解决。

    May, 2022

  • 深度策略优化与时序逻辑约束

    我们的研究通过将任务规范为线性时间逻辑（LTL）目标并优化额外的标量奖励，提出了一种增强学习代理的任务说明方法。我们的方法将问题转化为单一优化目标，并通过引入 Cycle Experience Replay（CyclER）解决了 LTL 引导的深度增强学习政策的稀疏性问题。实验证明了 CyclER 在连续和离散实验领域中发现性能优越的深度增强学习政策的有效性。

    Apr, 2024

  • 利用大型语言模型进行一致的时态逻辑规划：知道什么时候做什么和什么时候寻求帮助

    针对移动机器人在完成多个高级子任务中的新运动规划问题，本文提出了 HERACLEs，一个层次化一致性自然语言规划器，通过自动机理论确定机器人下一步应完成的子任务，使用大型语言模型设计满足这些子任务的机器人计划，并通过符合预测推理出计划的正确性和任务满足程度，并确定是否需要外部协助。

    Sep, 2023

  • 层次时序逻辑规约下的机器人规划

    通过引入分层结构的时态逻辑规范，将传统的机器人规划方法分解为多层组合规范，以提高语法简洁性、可解释性和规划效率，同时开发了一种基于分解的方法来处理具有分层时态逻辑结构的任务，实验结果表明分层形式具有更强的表达潜力，并且所提出的方法具有很好的效果，适用于机器人导航与操纵。

    Aug, 2023