論文の概要: A Logical Semantics for PDDL+
- arxiv url: http://arxiv.org/abs/2111.11588v1
- Date: Tue, 23 Nov 2021 00:32:15 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-25 05:46:38.730006
- Title: A Logical Semantics for PDDL+
- Title（参考訳）: PDDL+の論理的意味論
- Authors: Vitaliy Batusov, Mikhail Soutchanski
- Abstract要約: PDDL+はPDDL2.1の拡張である。
PDDL2.1とは異なり、PDDL+は論理的意味論を欠き、代わりに連続状態に対するハイブリッド自動意味論に富んだ状態遷移意味論に依存する。
本稿ではハイブリッドオートマトンに触発されたReiterの状況計算理論の自然な拡張を提案する。
- 参考スコア（独自算出の注目度）: 4.111899441919164
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: PDDL+ is an extension of PDDL2.1 which incorporates fully-featured autonomous
processes and allows for better modelling of mixed discrete-continuous domains.
Unlike PDDL2.1, PDDL+ lacks a logical semantics, relying instead on
state-transitional semantics enriched with hybrid automata semantics for the
continuous states. This complex semantics makes analysis and comparisons to
other action formalisms difficult. In this paper, we propose a natural
extension of Reiter's situation calculus theories inspired by hybrid automata.
The kinship between PDDL+ and hybrid automata allows us to develop a direct
mapping between PDDL+ and situation calculus, thereby supplying PDDL+ with a
logical semantics and the situation calculus with a modern way of representing
autonomous processes. We outline the potential benefits of the mapping by
suggesting a new approach to effective planning in PDDL+.
- Abstract（参考訳）: PDDL+はPDDL2.1の拡張であり、完全な機能を持つ自律プロセスを導入し、混合した離散連続ドメインのモデリングを改善する。
PDDL2.1とは異なり、PDDL+は論理的意味論を欠き、代わりに連続状態に対するハイブリッド自動意味論に富んだ状態遷移意味論に依存する。
この複雑な意味論は、分析と他のアクション形式との比較を困難にする。
本稿では,ハイブリッドオートマトンに触発されたレイターの状況計算理論の自然な拡張を提案する。
PDDL+とハイブリッドオートマトンとの親和性により、PDDL+と状況計算との直接マッピングが開発され、PDDL+に論理的意味論と状況計算に自律的なプロセスを表現する現代的な方法が提供される。
我々は,pddl+の効果的な計画への新しいアプローチを提案することにより,マッピングの潜在的メリットを概説する。
関連論文リスト
- Leveraging Environment Interaction for Automated PDDL Generation and Planning with Large Language Models [7.3238629831871735]
大規模言語モデル(LLM)は、様々な自然言語タスクにおいて顕著な性能を示している。
潜在的な解決策として、計画ドメイン定義言語(PDDL)へのプランニングの問題が提案されている。
LLMと環境フィードバックを利用してPDDLドメインと問題記述ファイルを自動生成する手法を提案する。
論文 参考訳（メタデータ） (2024-07-17T19:50:51Z) - PROC2PDDL: Open-Domain Planning Representations from Texts [56.627183903841164]
Proc2PDDLは、専門家によるPDDL表現と組み合わせたオープンドメインの手続きテキストを含む最初のデータセットである。
以上の結果から, GPT-3.5は0%, GPT-4は35%, Proc2PDDLは極めて困難であることが示唆された。
論文 参考訳（メタデータ） (2024-02-29T19:40:25Z) - Real-World Planning with PDDL+ and Beyond [55.73913765642435]
我々は、軽量さ、単純さ、そして最も重要なのは適応性を強調するために作られた新しいPDDL+プランナーであるNyxを紹介する。
Nyxは、ある種のAIプランニングを必要とする事実上の現実世界のアプリケーションに合わせることができ、現実の問題を解決するための計画手法をより広く採用するための道を開くことができる。
論文 参考訳（メタデータ） (2024-02-19T07:35:49Z) - iPDP: On Partial Dependence Plots in Dynamic Modeling Scenarios [7.772337176239137]
説明可能な人工知能(XAI)では、よく確立された部分依存プロット(PDP)のようなポストホックな説明技法が使用される。
非定常学習環境における時間依存的特徴効果を抽出するために,PDP上に拡張された新しいモデルに依存しないXAIフレームワークを提案する。
論文 参考訳（メタデータ） (2023-06-13T13:56:56Z) - HDDL 2.1: Towards Defining a Formalism and a Semantics for Temporal HTN
Planning [64.07762708909846]
現実世界のアプリケーションは、リッチで多様な自動計画問題をモデル化する必要があります。
階層的タスクネットワーク(HTN)形式は、数値的および時間的制約を伴う計画問題の表現を許さない。
本稿では,HDDLとこれらの運用ニーズのギャップを埋めるとともに,PDDL 2.1からインスピレーションを得てHDDLを拡張することを提案する。
論文 参考訳（メタデータ） (2023-06-12T18:21:23Z) - Leveraging Pre-trained Large Language Models to Construct and Utilize
World Models for Model-based Task Planning [39.29964085305846]
事前訓練済みの大規模言語モデルをプランナーとして直接使用する方法は、計画の正確性に限界があるため、現在は実用的ではない。
本研究では,ドメイン定義言語(PDDL)の計画において,明示的な世界(ドメイン)モデルを構築し,ドメインに依存しないプランナで計画する新たなパラダイムを提案する。
論文 参考訳（メタデータ） (2023-05-24T08:59:15Z) - Neural Stochastic Dual Dynamic Programming [99.80617899593526]
我々は、問題インスタンスを断片的線形値関数にマッピングすることを学ぶトレーニング可能なニューラルモデルを導入する。
$nu$-SDDPは、ソリューションの品質を犠牲にすることなく、問題解決コストを大幅に削減できる。
論文 参考訳（メタデータ） (2021-12-01T22:55:23Z) - DiffPD: Differentiable Projective Dynamics with Contact [65.88720481593118]
DiffPDは、暗黙の時間積分を持つ効率的な微分可能なソフトボディシミュレータである。
我々はDiffPDの性能を評価し,様々な応用における標準ニュートン法と比較して4～19倍のスピードアップを観測した。
論文 参考訳（メタデータ） (2021-01-15T00:13:33Z) - Adaptive Subcarrier, Parameter, and Power Allocation for Partitioned
Edge Learning Over Broadband Channels [69.18343801164741]
パーティショニングエッジ学習(PARTEL)は、無線ネットワークにおいてよく知られた分散学習手法であるパラメータサーバトレーニングを実装している。
本稿では、いくつかの補助変数を導入してParticleELを用いてトレーニングできるディープニューラルネットワーク(DNN)モデルについて考察する。
論文 参考訳（メタデータ） (2020-10-08T15:27:50Z)
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。