論文の概要: Totally and Partially Ordered Hierarchical Planners in PDDL4J Library
- arxiv url: http://arxiv.org/abs/2011.13297v1
- Date: Thu, 26 Nov 2020 14:00:37 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-20 08:57:02.740071
- Title: Totally and Partially Ordered Hierarchical Planners in PDDL4J Library
- Title(参考訳): PDDL4Jライブラリにおける全体および部分順序付き階層型プランナ
- Authors: Damien Pellier, Humbert Fiorino
- Abstract要約: 我々は,2020年の第1回HTN IPCコンペティションに参加したTFD(Totally Ordered Fast Downward)とPFD(Partially Ordered Fast Downward)階層型プランナーの実装の概要を述べる。
これら2つのプランナは、アクション、メソッド、タスク、HTN問題のコンパクトな基底と相まって、フォワードチェーンタスクの分解に基づいている。
- 参考スコア(独自算出の注目度): 1.5664378826358722
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: In this paper, we outline the implementation of the TFD (Totally Ordered Fast
Downward) and the PFD (Partially ordered Fast Downward) hierarchical planners
that participated in the first HTN IPC competition in 2020. These two planners
are based on forward-chaining task decomposition coupled with a compact
grounding of actions, methods, tasks and HTN problems.
- Abstract(参考訳): 本稿では,2020年の第1回HTN IPCコンペティションに参加したTFD(Totally Ordered Fast Downward)とPFD(Partially Ordered Fast Downward)階層型プランナの実装について概説する。
これら2つのプランナは、アクション、メソッド、タスク、HTN問題のコンパクトな基底と、フォワードチェーンタスクの分解に基づいている。
関連論文リスト
- Proposing Hierarchical Goal-Conditioned Policy Planning in Multi-Goal Reinforcement Learning [0.0]
強化学習と自動計画を組み合わせた手法を提案する。
我々のアプローチは,高レベル行動(HLA)を用いたモンテカルロ木探索(MCTS)計画を用いて,階層的に構成された短期目標条件ポリシーを用いる。
エージェントの生涯に維持される単一のプランツリーは、目標達成に関する知識を持っている。
論文 参考訳(メタデータ) (2025-01-03T09:37:54Z) - CaPo: Cooperative Plan Optimization for Efficient Embodied Multi-Agent Cooperation [98.11670473661587]
CaPoは,1)メタプラン生成,2)プログレッシブなメタプランと実行の2つのフェーズで協調効率を向上する。
3Dworld Multi-Agent TransportとCommunicative Watch-And-Helpタスクの実験結果は、CaPoが最先端技術と比較してタスク完了率と効率をはるかに高めることを示した。
論文 参考訳(メタデータ) (2024-11-07T13:08:04Z) - Parallel Strategies for Best-First Generalized Planning [51.713634067802104]
汎用計画(GP)は、複数の古典的な計画インスタンスを解くことができるアルゴリズムのようなソリューションの自動合成を研究するAIの研究分野である。
現在の進歩の1つはBest-First Generalized Planning (BFGP) の導入である。
本稿では,並列探索手法をBFGPに適用し,性能ギャップを埋める上で重要な要素であることを示す。
論文 参考訳(メタデータ) (2024-07-31T09:50:22Z) - CoAct: A Global-Local Hierarchy for Autonomous Agent Collaboration [87.51781348070914]
既存のLLMは、様々なNLPタスクで顕著なパフォーマンスを示すが、それでも複雑な現実世界タスクに苦戦している。
本稿では,人間社会における階層的計画と協調のパターンをLLMシステムに伝達するCoActフレームワークを提案する。
論文 参考訳(メタデータ) (2024-06-19T09:23:53Z) - Temporal Planning via Interval Logic Satisfiability for Autonomous Systems [0.0]
我々は、時間的計画の定式化について考察する: 間隔は作用と流動性原子の両方に関連付けられ、それらの関係はアレンのインターバル論理(英語版)の文として与えられる。
本稿では,制約プログラミング(CP)モデルとして,行動と流動性の間の複雑な関係を考慮に入れた計画グラフの概念を提案する。
提案手法は既存のPDDL 2.1プランナよりも優れていることを示す。
論文 参考訳(メタデータ) (2024-06-14T02:21:53Z) - TwoStep: Multi-agent Task Planning using Classical Planners and Large Language Models [7.653791106386385]
2エージェント計画目標分解は、マルチエージェントPDDL問題を直接解決するよりも、計画時間の短縮につながる。
LLMに基づくサブゴールの近似は、人間の専門家が指定したものと同じようなマルチエージェント実行ステップを達成できることが判明した。
論文 参考訳(メタデータ) (2024-03-25T22:47:13Z) - Planning as In-Painting: A Diffusion-Based Embodied Task Planning
Framework for Environments under Uncertainty [56.30846158280031]
具体的AIのためのタスクプランニングは、最も難しい問題の1つだ。
In-paintingとしての計画」というタスク非依存の手法を提案する。
提案するフレームワークは,様々な具体的AIタスクにおいて,有望なパフォーマンスを実現する。
論文 参考訳(メタデータ) (2023-12-02T10:07:17Z) - Skip-Plan: Procedure Planning in Instructional Videos via Condensed
Action Space Learning [85.84504287685884]
Skip-Plan(スキップ・プラン)は、訓練ビデオにおけるプロシージャ計画のための凝縮された行動空間学習法である。
アクションチェーン内の不確実なノードやエッジをスキップすることで、長いシーケンス関数と複雑なシーケンス関数を短いが信頼できるものに転送する。
我々のモデルは、凝縮された作用空間内のアクションシーケンス内で、あらゆる種類の信頼できる部分関係を探索する。
論文 参考訳(メタデータ) (2023-10-01T08:02:33Z) - An Efficient HTN to STRIPS Encoding for Concurrent Plans [0.0]
STRIPSエンコーディングに新たなHTNを提案する。
提案手法は,階層型IPCベンチマークにおける従来の手法よりも優れていることを示す。
論文 参考訳(メタデータ) (2022-06-14T18:18:22Z) - FloorPP-Net: Reconstructing Floor Plans using Point Pillars for
Scan-to-BIM [1.2691047660244335]
本稿では,FloorPP-Netという深層学習に基づくポイントクラウド処理手法を提案する。
建物ストーリーの入力ポイントクラウドをポイントピラー(PP)に変換し、コーナーとエッジを予測してフロアプランを出力する。
論文 参考訳(メタデータ) (2021-06-20T06:45:52Z) - Divide-and-Conquer Monte Carlo Tree Search For Goal-Directed Planning [78.65083326918351]
暗黙的な逐次計画の仮定に代わるものを検討する。
本稿では,最適計画の近似を行うため,Divide-and-Conquer Monte Carlo Tree Search (DC-MCTS)を提案する。
計画順序に対するこのアルゴリズム的柔軟性は,グリッドワールドにおけるナビゲーションタスクの改善に繋がることを示す。
論文 参考訳(メタデータ) (2020-04-23T18:08:58Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。