論文の概要: A Framework to Generate Neurosymbolic PDDL-compliant Planners
- arxiv url: http://arxiv.org/abs/2303.00438v1
- Date: Wed, 1 Mar 2023 11:54:22 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-02 15:07:44.601666
- Title: A Framework to Generate Neurosymbolic PDDL-compliant Planners
- Title（参考訳）: ニューロシンボリックpddl対応プランナー作成のための枠組み
- Authors: Alessio Capitanelli and Fulvio Mastrogiovanni
- Abstract要約: 計画ドメイン定義言語(PDDL)と互換性のあるニューロシンボリックプランナーに大規模言語モデル(LLM)を訓練するためのフレームワークを提案する。
その結果、1000サンプルの試験データセットの95.5%の問題を解決することができ、従来のプランナーよりも平均で13.5%短いプランを作成できる。
- 参考スコア（独自算出の注目度）: 1.294486861344922
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The problem of integrating high-level task planning in the execution loop of
a real-world robot architecture remains challenging, as the planning times of
traditional symbolic planners explode combinatorially with the number of
symbols to plan upon. In this paper, we present Teriyaki, a framework for
training Large Language Models (LLMs), and in particular the now well-known
GPT-3 model, into neurosymbolic planners compatible with the Planning Domain
Definition Language (PDDL). Unlike symbolic approaches, LLMs require a training
process. However, their response time scales with the combined length of the
input and the output. Hence, LLM-based planners can potentially provide
significant performance gains on complex planning problems as the technology
matures and becomes more accessible. In this preliminary work, which to our
knowledge is the first using LLMs for planning in robotics, we (i) outline a
methodology for training LLMs as PDDL solvers, (ii) generate PDDL-compliant
planners for two challenging PDDL domains, and (iii) test the planning times
and the plan quality associated with the obtained planners, while also
comparing them to a state-of-the-art PDDL planner, namely Probe. Results
confirm the viability of the approach, with Teriyaki-based planners being able
to solve 95.5% of problems in a test data set of 1000 samples, and even
generating plans up to 13.5% shorter on average than the employed traditional
planner, depending on the domain.
- Abstract（参考訳）: 現実のロボットアーキテクチャの実行ループにハイレベルなタスクプランニングを統合するという問題は、従来のシンボルプランナーの計画時間が計画するシンボルの数と組み合わせて爆発するため、依然として困難である。
本稿では,大規模言語モデル(llm)を学習するためのフレームワークであるteriyaki,特に現在よく知られているgpt-3モデルを,プランニングドメイン定義言語(pddl)と互換性のあるニューロシンボリックプランナーに導入する。
シンボリックアプローチとは異なり、LLMはトレーニングプロセスを必要とする。
しかし、応答時間は入力と出力の組合せの長さでスケールする。
したがって、LLMベースのプランナーは、技術が成熟してアクセスしやすくなれば、複雑な計画上の問題に対して大きなパフォーマンス向上をもたらす可能性がある。
この予備的な作業において、ロボット工学の計画にLLMを使ったのは、私たちの知る限り、私たちは初めてです。
一 PDDLソルバとしてのLCMの訓練方法の概要
(二)PDDL対応プランナーを2つの挑戦的なPDDLドメインに作成し、
(iii) 得られたプランナーに関する計画時間と計画品質を試験するとともに、最新のpddlプランナー、すなわちプローブと比較する。
teriyakiベースのプランナーは、1000サンプルのテストデータセットで95.5%の問題を解決することができ、ドメインによっては従来のプランナーよりも平均で13.5%短いプランを生成することもできる。
関連論文リスト
- 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) - LASP: Surveying the State-of-the-Art in Large Language Model-Assisted AI Planning [7.36760703426119]
この調査は、言語モデルで計画する際の既存の課題を強調することを目的としている。
実施環境、最適なスケジューリング、競争と協力のゲーム、タスクの分解、推論、計画といった重要な分野に焦点を当てている。
論文 参考訳（メタデータ） (2024-09-03T11:39:52Z) - PDDLEGO: Iterative Planning in Textual Environments [56.12148805913657]
テキスト環境における計画は、現在のモデルにおいても長年にわたる課題であることが示されている。
我々は,あるサブゴールの部分的な計画に導く計画表現を反復的に構築するPDDLEGOを提案する。
数ショットのPDDLEGOで作成するプランは,Coin Collectorシミュレーションでエンドツーエンドのプランを生成するよりも43%効率がよいことを示す。
論文 参考訳（メタデータ） (2024-05-30T08:01:20Z) - DELTA: Decomposed Efficient Long-Term Robot Task Planning using Large Language Models [5.385540718118656]
大規模言語モデル(LLM)に基づく新しいタスク計画手法であるDELTAを紹介する。
シーングラフをLLM内の環境表現として使用することにより、DELTAは正確な計画問題記述を迅速に生成する。
DELTAは効率的かつ完全に自動化されたタスク計画パイプラインを実現し、高い計画成功率と、最先端技術と比較して計画時間を大幅に短縮できることを示す。
論文 参考訳（メタデータ） (2024-04-04T07:59:24Z) - Consolidating Trees of Robotic Plans Generated Using Large Language
Models to Improve Reliability [6.4111574364474215]
LLM(Large Language Models)の固有の確率論的性質は、予測不可能な要素を導入している。
本稿では,多様な現実の要求やシナリオに対して,適切なロボットタスク計画を作成することを目的とした,革新的なアプローチを提案する。
論文 参考訳（メタデータ） (2024-01-15T18:01:59Z) - Learning adaptive planning representations with natural language
guidance [90.24449752926866]
本稿では,タスク固有の計画表現を自動構築するフレームワークであるAdaについて述べる。
Adaは、プランナー互換の高レベルアクション抽象化と、特定の計画タスク領域に適応した低レベルコントローラのライブラリを対話的に学習する。
論文 参考訳（メタデータ） (2023-12-13T23:35:31Z) - 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) - A Planning Ontology to Represent and Exploit Planning Knowledge for Performance Efficiency [6.87593454486392]
我々は,エージェントを世界の初期状態から望ましい目標状態へ移動させる一連の行動を見つけることを目的として,自動計画の問題を考える。
利用可能なプランナと多様なプランナドメインが多数用意されていると仮定し、適切なプランナを特定し、ドメインのパフォーマンスを向上させるために活用できる不可欠な情報を持っている。
論文 参考訳（メタデータ） (2023-07-25T14:51:07Z) - AdaPlanner: Adaptive Planning from Feedback with Language Models [56.367020818139665]
大規模言語モデル(LLM)は、最近、シーケンシャルな意思決定タスクの自律的エージェントとして機能する可能性を実証している。
本研究では,LLMエージェントが環境フィードバックに応じて自己生成計画を適応的に改善することのできるクローズドループアプローチであるAdaPlannerを提案する。
幻覚を緩和するために,様々なタスク,環境,エージェント機能にまたがる計画生成を容易にするコードスタイルのLCMプロンプト構造を開発した。
論文 参考訳（メタデータ） (2023-05-26T05:52:27Z) - Learning to Reason over Scene Graphs: A Case Study of Finetuning GPT-2
into a Robot Language Model for Grounded Task Planning [45.51792981370957]
本研究では,ロボットタスク計画における小クラス大規模言語モデル(LLM)の適用性について,計画立案者が順次実行するためのサブゴール仕様にタスクを分解することを学ぶことによって検討する。
本手法は,シーングラフとして表現される領域上でのLLMの入力に基づいて,人間の要求を実行可能なロボット計画に変換する。
本研究は,LLMに格納された知識を長期タスクプランニングに効果的に活用できることを示唆し,ロボット工学におけるニューロシンボリックプランニング手法の今後の可能性を示すものである。
論文 参考訳（メタデータ） (2023-05-12T18:14:32Z)
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。