論文の概要: ChatHTN: Interleaving Approximate (LLM) and Symbolic HTN Planning
- arxiv url: http://arxiv.org/abs/2505.11814v1
- Date: Sat, 17 May 2025 03:53:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-20 14:57:10.865531
- Title: ChatHTN: Interleaving Approximate (LLM) and Symbolic HTN Planning
- Title（参考訳）: ChatHTN:インターリービング近似(LLM)とシンボリックHTN計画
- Authors: Hector Munoz-Avila, David W. Aha, Paola Rizzo,
- Abstract要約: 本稿では,階層型タスクネットワーク(HTN)プランナであるChatHTNを紹介する。
結果として得られた階層構造は、記号的HTN計画によって生成されたタスク分解とChatGPTによって生成されたタスク分解をインターリーブする。
- 参考スコア（独自算出の注目度）: 1.2767281330110625
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We introduce ChatHTN, a Hierarchical Task Network (HTN) planner that combines symbolic HTN planning techniques with queries to ChatGPT to approximate solutions in the form of task decompositions. The resulting hierarchies interleave task decompositions generated by symbolic HTN planning with those generated by ChatGPT. Despite the approximate nature of the results generates by ChatGPT, ChatHTN is provably sound; any plan it generates correctly achieves the input tasks. We demonstrate this property with an open-source implementation of our system.
- Abstract（参考訳）: 本稿では,階層型タスクネットワーク(HTN)プランナであるChatHTNを紹介する。
結果として得られた階層構造は、記号的HTN計画によって生成されたタスク分解とChatGPTによって生成されたタスク分解をインターリーブする。
ChatGPTによって生成される結果の近似の性質にもかかわらず、ChatHTNは確実に健全であり、それが生成する任意の計画が入力タスクを正しく達成する。
この特性を,我々のシステムのオープンソース実装で実証する。
関連論文リスト
- Plan-over-Graph: Towards Parallelable LLM Agent Schedule [53.834646147919436]
大規模言語モデル(LLM)はタスク計画の推論において例外的な能力を示した。
本稿では,まず実生活のテキストタスクを実行可能なサブタスクに分解し,抽象的なタスクグラフを構築する,新しいパラダイムであるプランオーバーグラフを提案する。
モデルはこのタスクグラフを入力として理解し、並列実行計画を生成する。
論文 参考訳（メタデータ） (2025-02-20T13:47:51Z) - Can Graph Learning Improve Planning in LLM-based Agents? [61.47027387839096]
言語エージェントにおけるタスクプランニングは、大規模言語モデル(LLM)の開発とともに重要な研究トピックとして浮上している。
本稿では,課題計画のためのグラフ学習に基づく手法について検討する。
我々のグラフ学習への関心は、注意のバイアスと自己回帰的損失が、グラフ上の意思決定を効果的にナビゲートするLLMの能力を妨げているという理論的な発見に起因している。
論文 参考訳（メタデータ） (2024-05-29T14:26:24Z) - AutoGPT+P: Affordance-based Task Planning with Large Language Models [6.848986296339031]
AutoGPT+Pは、余裕に基づくシーン表現と計画システムを組み合わせたシステムである。
提案手法は,現在最先端のLCM計画手法であるSayCanの81%の成功率を超え,98%の成功率を達成した。
論文 参考訳（メタデータ） (2024-02-16T16:00:50Z) - 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) - Robot Task Planning Based on Large Language Model Representing Knowledge
with Directed Graph Structures [2.3698227130544547]
本研究では,人間の専門知識をLLMと組み合わせたタスクプランニング手法を提案し,LLMプロンプトテンプレートであるThink_Net_Promptを設計した。
さらに,タスクを段階的に分解し,タスクツリーを生成して各タスクの計画量を削減する手法を提案する。
論文 参考訳（メタデータ） (2023-06-08T13:10:00Z) - Long-Horizon Planning and Execution with Functional Object-Oriented
Networks [79.94575713911189]
タスク計画と実行のためのFOONとしてオブジェクトレベルの知識を活用するというアイデアを紹介します。
提案手法では,FOONをPDDLに自動変換し,市販のプランナ,アクションコンテキスト,ロボットスキルを活用する。
我々はCoppeliaSimの長期タスクに対するアプローチを実証し、学習されたアクションコンテキストを、これまで見たことのないシナリオにどのように拡張できるかを示す。
論文 参考訳（メタデータ） (2022-07-12T19:29:35Z) - Sequential Manipulation Planning on Scene Graph [90.28117916077073]
我々は,効率的な逐次タスク計画のための3次元シーングラフ表現であるコンタクトグラフ+(cg+)を考案する。
ゴール設定は、自然にコンタクトグラフに指定され、最適化法を用いて遺伝的アルゴリズムによって作成することができる。
次に、初期接触グラフと目標設定との間のグラフ編集距離(GED)を計算してタスクプランを簡潔化し、ロボット動作に対応するグラフ編集操作を生成する。
論文 参考訳（メタデータ） (2022-07-10T02:01:33Z) - 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)
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。