Fugu-MT 論文翻訳(概要): An Efficient HTN to STRIPS Encoding for Concurrent Plans

論文の概要: An Efficient HTN to STRIPS Encoding for Concurrent Plans

arxiv url: http://arxiv.org/abs/2206.07084v1
Date: Tue, 14 Jun 2022 18:18:22 GMT
ステータス: 処理完了
システム内更新日: 2022-06-16 14:18:56.989039
Title: An Efficient HTN to STRIPS Encoding for Concurrent Plans
Title（参考訳）: 並行計画のためのSTRIPS符号化のための効率的なHTN
Authors: N. Cavrel, D. Pellier, H. Fiorino
Abstract要約: 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。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: The Hierarchical Task Network (HTN) formalism is used to express a wide variety of planning problems in terms of decompositions of tasks into subtaks. Many techniques have been proposed to solve such hierarchical planning problems. A particular technique is to encode hierarchical planning problems as classical STRIPS planning problems. One advantage of this technique is to benefit directly from the constant improvements made by STRIPS planners. However, there are still few effective and expressive encodings. In this paper, we present a new HTN to STRIPS encoding allowing to generate concurrent plans. We show experimentally that this encoding outperforms previous approaches on hierarchical IPC benchmarks.
Abstract（参考訳）: 階層型タスクネットワーク(HTN)形式は、タスクをサブタスクに分解するという点で、幅広い計画問題を表現するために用いられる。このような階層的な計画問題を解くために多くの技術が提案されている。特に、階層的計画問題を古典的STRIPS計画問題として符号化する手法がある。この手法の利点の1つは、STRIPSプランナーによる継続的な改善の恩恵を直接受けることである。しかし、効果的な表現力のあるエンコーディングはまだ少ない。本稿では,並列プラン生成を可能にする新しいhtn to stripsエンコーディングを提案する。このエンコーディングが階層型ipcベンチマークの従来のアプローチを上回っていることを実験的に示す。

関連論文リスト

Interactive and Expressive Code-Augmented Planning with Large Language Models [62.799579304821826]
大きな言語モデル(LLM)は、常識的推論と対話的な意思決定において強力な能力を示す。近年,制御フローなどのコード・アジャセント技術を用いてLCM出力を構造化し,計画性能を向上させる技術が提案されている。完全コード表現で動的なLEM計画手法であるREPL-Planを提案する。
論文参考訳（メタデータ） (2024-11-21T04:23:17Z)
Unlocking Reasoning Potential in Large Langauge Models by Scaling Code-form Planning [94.76546523689113]
CodePlanは、テキストコード形式の計画を生成し、追跡するフレームワークで、高いレベルの構造化された推論プロセスの概要を擬似コードで示します。 CodePlanは、洗練された推論タスク固有のリッチなセマンティクスと制御フローを効果的にキャプチャする。反応を直接生成するのに比べて25.1%の相対的な改善が達成されている。
論文参考訳（メタデータ） (2024-09-19T04:13:58Z)
Planning with OWL-DL Ontologies (Extended Version) [6.767885381740952]
フルパワー表現型DLをサポートするブラックボックスを提案する。主要なアルゴリズムは、OWLによるPDDLへの計画仕様の書き直しに依存している。いくつかのドメインからのベンチマークセットの実装を評価した。
論文参考訳（メタデータ） (2024-08-14T13:27:02Z)
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)
Differentiable Combinatorial Scheduling at Scale [18.09256072039255]
本稿では,Gumbel-Softmax微分可能なサンプリング手法を用いて,微分可能なスケジューリングフレームワークを提案する。スケジューリングタスクの不等式制約をエンコードするために,任意の不等式制約を積極的にエンコードするテキスト制約付きGumbel Trickを導入する。本手法は, トレーニングデータを必要とせずに, 勾配降下による効率よく, スケーラブルなスケジューリングを容易にする。
論文参考訳（メタデータ） (2024-06-06T02:09:39Z)
Simple Hierarchical Planning with Diffusion [54.48129192534653]
拡散に基づく生成法は、オフラインデータセットによる軌跡のモデリングに有効であることが証明されている。階層型および拡散型プランニングの利点を組み合わせた高速かつ驚くほど効果的な計画手法である階層型ディフューザを導入する。我々のモデルは、より高いレベルで「ジャンピー」な計画戦略を採用しており、より大きな受容場を持つことができるが、計算コストは低い。
論文参考訳（メタデータ） (2024-01-05T05:28:40Z)
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)
Lifted Sequential Planning with Lazy Constraint Generation Solvers [28.405198103927955]
本稿では,Lzy Clause Generation(LCG)に基づく制約プログラミング(CP)へのアプローチを用いて,オープンな可能性について検討する。本稿では,いわゆるリフト型因果エンコーディングに基づく新しいCPモデルを提案する。提案手法は,計画手順の少ない計画インスタンスに対して,最適な逐次計画における最先端の手法と非常によく比較可能であることを報告する。
論文参考訳（メタデータ） (2023-07-17T04:54:58Z)
HyperTensioN and Total-order Forward Decomposition optimizations [26.665468404059354]
階層型タスクネットワーク(HTN)プランナーは、余分なドメイン知識を持つ分解プロセスを使用して、計画タスクへの探索をガイドするプランを生成する。ドメインの専門家はHTN記述を開発し、同じ前提条件や、ほとんど使われないし分解できない方法を繰り返し記述することができる。 3段階のコンパイラ設計を活用することで、より多くの言語記述や前処理の最適化を容易にサポートできます。
論文参考訳（メタデータ） (2022-07-01T11:23:52Z)
Learning to Schedule DAG Tasks [7.577417675452624]
有向非周期グラフ(DAG)のスケジューリングに関する新しい学習手法を提案する。このアルゴリズムは強化学習エージェントを用いて、DAGに向けられたエッジを反復的に追加する。我々の手法は既存のスケジューリングアルゴリズムにも容易に適用できる。
論文参考訳（メタデータ） (2021-03-05T01:10:24Z)
STRIPS Action Discovery [67.73368413278631]
近年のアプローチでは、すべての中間状態が欠如している場合でも、アクションモデルを合成する古典的な計画が成功している。アクションシグネチャが不明な場合に,従来のプランナーを用いてSTRIPSアクションモデルを教師なしで合成するアルゴリズムを提案する。
論文参考訳（メタデータ） (2020-01-30T17:08:39Z)

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。