并发规划和执行的形式元推理模型
提出了一种基于 metareasoning 的在线规划模型,用于解决实际场景下规划时间成本与策略改进的平衡问题,并通过引入 BRTDP 规划算法的特殊性质,提出了近似的元推理过程。
May, 2015
本文提出了一种新的方法解决并行多智能体规划问题,通过从并发多智能体规划编译到经典规划,利用现有的经典规划器解决原始多智能体问题,解决方案可直接解释为满足一组给定并发约束条件的并发计划,避免了并发操作带来的指数级膨胀问题,同时作为第一个处理受其他智能体行为有条件影响的行动效果的规划器,在理论上,我们证明了这种编译的音效和完备性;在实践中,我们展示了我们的编译器可以解决需要并行操作的具有挑战性的多智能体规划问题
Jun, 2019
该论文介绍了如何使用 STIRPS 操作表示语言来实现多个执行器的代理计划生成,通过小的修改可以实现交互作用的并发操作,通过开发一个名为 POMP 的部分排序规划器,可以扩展现有的部分排序规划器来进行计划。
Jun, 2011
当对行为进行推理时,如通过任务规划或使用 Golog 进行机器人代理编程时,机器人的行为通常建模在抽象层次上,其中复杂的动作(例如拾取对象)被视为具有确定性效果和仅依赖于当前状态的前提条件的原子原语。然而,当在机器人上执行此类动作时,它不再被视为原始动作,而是涉及多个步骤、具有额外时态前提条件和时间约束的复杂任务。此外,该行为可能出现噪声,例如产生错误感知结果并且并非总是具有期望的效果。虽然这些方面通常被忽略在推理任务中,但在执行期间需要处理它们。在这篇论文中,我们提出了几种方法来填补这个差距。
Dec, 2023
该研究基于情境评估,提出了一种新颖的解决方案,可以在人机团队合作中帮助机器人预测和模拟人类决策,并通过沟通协调达到信念一致,提高问题解决效率和鲁棒性。
Oct, 2022
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