NL2Plan: 从最简文本描述中驱动的鲁棒性 LLM 规划

May, 2024

NL2Plan: 从最简文本描述中驱动的鲁棒性 LLM 规划

NL2Plan: Robust LLM-Driven Planning from Minimal Text Descriptions

Elliot Gestrin, Marco Kuhlmann, Jendrik Seipp

TL;DRNL2Plan 是第一个通用领域脱机驱动计划系统，利用大型语言模型通过逐步提取必要信息从短文本提示创建完整的 PDDL 描述，进而通过经典计划器解决问题，提供解决 15 个任务中 10 个任务的改进以及提高可解释性和 PDDL 创建协助工具的功能。

Abstract

Today's classical planners are powerful, but modeling input tasks in formats such as pddl is tedious and error-prone. In contrast, planning with Large Language Models (LLMs) allows for almost any input text, but

classical planners pddl large language models nl2plan pddl creation

发现论文，激发创造

大型语言模型作为规划领域生成器

通过对 7 个大型语言模型进行实证分析，我们发现大型语言模型在从自然语言描述中生成正确的规划领域模型方面具有适中的能力。

Apr, 2024

利用预训练的大型语言模型构建和利用世界模型进行基于模型的任务规划

本研究引入了一种新的方法，使用 PDDL 语言构建显式世界模型，并利用预训练的大型语言模型作为 PDDL 和校验器等纠正反馈的接口，以提高计划问题的效率和准确性。在不涉及用户互动的情况下，通过验证 PDDL 模型的正确性，我们制定计划来解决复杂任务并取得成功。

May, 2023

LLM+P：利用最优规划提升大型语言模型的性能

本文介绍了 LLM + P 框架，将经典计划器的优点结合到大语言模型中，可以通过自然语言描述解决计划问题，经过实验发现 LLM + P 可以提供大多数问题的最优解，而 LLMs 则无法为大多数问题提供甚至可行的计划。

Apr, 2023

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

利用大型语言模型生成的机器人计划树的整合以提高可靠性

通过使用大型语言模型 (LLMs) 生成并优化机器人任务计划，该研究提出了一种创新方法，解决了 LLMs 输出中潜在的不确定性和错误步骤的问题，进而改善了计划的准确性和执行效率。

Jan, 2024

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

利用大语言模型将自然语言转换为计划目标

本研究探讨了大型语言模型是否能够将自然语言的目标翻译成结构化的计划语言。我们使用 GPT 3.5 变种进行了实验，结果表明大型语言模型更适合进行翻译而不是规划，虽然这些模型能够利用常识知识和推理填补自然语言目标中缺失的细节，但在涉及到数字或物理推理的任务中，它们可能会出现失败，并且对所使用的提示信息很敏感。

Feb, 2023

LLM 动态规划

大型语言模型与符号规划器结合的神经符号框架，为解决涉及体验代理的复杂计划任务提供更快速和高效的解决方案。

Aug, 2023

使用大型语言模型生成一致的 PDDL 领域

用自动一致性检查策略显著改善由大型语言模型生成的 PDDL 模型的质量，并减少后续纠正工作的人力投入。

Apr, 2024

TIC：使用 LLMs 和逻辑中间表示进行准确的‘文本到计划’的翻译 - 推断 - 编译

我们研究了生成给定自然语言规划任务请求的计划的问题。我们利用了自然语言处理和经典规划工具的优势通过使用 LLM 生成规划任务请求的 PDDL 表示，并使用经典规划器计算计划。我们的方法包括使用 LLM 生成自然语言任务描述的逻辑可解释中间表示，使用逻辑推理器推导出附加的逻辑依赖信息，以及从基础和推导得出的信息生成目标任务 PDDL。我们观察到，仅使用 LLM 输出中间表示显著减少了 LLM 的错误。因此，在我们的评估数据集的所有七个领域中，TIC 方法至少对一个 LLM 在任务 PDDL 生成方面具有高准确性。

Feb, 2024