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
- 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) - ADaPT: As-Needed Decomposition and Planning with Language Models [136.70875041342686]
As-Needed Decomposition and Planning for Complex Tasks (ADaPT)について紹介する。
ADaPTは、Large Language Modelsがそれらを実行できない場合、複雑なサブタスクを明示的に計画し、分解する。
以上の結果から,ADaPTは強いベースラインを確立した。
論文 参考訳(メタデータ) (2023-11-08T17:59:15Z) - 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) - Safe Hierarchical Reinforcement Learning for CubeSat Task Scheduling
Based on Energy Consumption [0.46603287532620735]
本稿では,低地球軌道(LEO)におけるキューブサットタスクスケジューリングの最適化に適した階層型強化学習手法を提案する。
本手法は,タスク優先順位付けのためのSABE(Simisity Attention-based convergence)と,エネルギー消費予測のための推定器を統合する。
シミュレーションの結果、階層強化学習の優位性とタスク成功率を検証し、MADDPGモデルと従来のランダムスケジューリングの両方に優れていた。
論文 参考訳(メタデータ) (2023-09-21T12:22:11Z) - Resilient Output Containment Control of Heterogeneous Multiagent Systems
Against Composite Attacks: A Digital Twin Approach [24.587040108605937]
本稿では,複合攻撃に対する異種マルチエージェントシステムの分散レジリエント出力保持制御について検討する。
デジタルツインにインスパイアされた、より高いセキュリティとプライバシを持つツイン層は、問題を2つのタスクに分離するために使用される。
論文 参考訳(メタデータ) (2023-03-22T16:41:05Z) - 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) - Planning to Practice: Efficient Online Fine-Tuning by Composing Goals in
Latent Space [76.46113138484947]
汎用ロボットは、現実世界の非構造環境において困難なタスクを完了するために、多様な行動レパートリーを必要とする。
この問題に対処するため、目標条件強化学習は、コマンド上の幅広いタスクの目標に到達可能なポリシーを取得することを目的としている。
本研究では,長期的課題に対する目標条件付き政策を実践的に訓練する手法であるPlanning to Practiceを提案する。
論文 参考訳(メタデータ) (2022-05-17T06:58:17Z) - sbp-env: A Python Package for Sampling-based Motion Planner and Samplers [1.8275108630751844]
サンプリングベースのモーションプランナのテスト環境(sbp-env)は、さまざまなサンプリングベースのアルゴリズムを動作計画のためにテストするための完全な機能フレームワークである。
論文 参考訳(メタデータ) (2021-10-15T22:39:44Z) - 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) - Jump Operator Planning: Goal-Conditioned Policy Ensembles and Zero-Shot
Transfer [71.44215606325005]
本稿では,シーケンシャルなサブゴールタスクの超指数空間における解を高速に計算するための,Jump-Operator Dynamic Programmingという新しいフレームワークを提案する。
このアプローチでは、時間的に拡張された行動として機能する、再利用可能な目標条件付き警察のアンサンブルを制御する。
すると、この部分空間上の目的関数のクラスを、解がグラウンド化に不変であるものとして特定し、最適ゼロショット移動をもたらす。
論文 参考訳(メタデータ) (2020-07-06T05:13:20Z) - 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。