論文の概要: Zero-Shot Iterative Formalization and Planning in Partially Observable Environments
- arxiv url: http://arxiv.org/abs/2505.13126v1
- Date: Mon, 19 May 2025 13:58:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-20 14:57:11.629082
- Title: Zero-Shot Iterative Formalization and Planning in Partially Observable Environments
- Title（参考訳）: 部分観測可能な環境におけるゼロショット反復形式化と計画
- Authors: Liancheng Gong, Wang Zhu, Jesse Thomason, Li Zhang,
- Abstract要約: 我々はPDDL表現をゼロショットで形式化し、計画し、成長し、洗練するフレームワークであるPDDLego+を提案する。
PDDLego+は優れた性能を発揮するが,問題複雑性に対する堅牢性も示している。
また、試験が成功した後に得られたドメイン知識が解釈可能であり、将来のタスクに役立ちます。
- 参考スコア（独自算出の注目度）: 11.066479432278301
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: In planning, using LLMs not to predict plans but to formalize an environment into the Planning Domain Definition Language (PDDL) has been shown to greatly improve performance and control. While most work focused on fully observable environments, we tackle the more realistic and challenging partially observable environments where existing methods are incapacitated by the lack of complete information. We propose PDDLego+, a framework to iteratively formalize, plan, grow, and refine PDDL representations in a zero-shot manner, without needing access to any existing trajectories. On two textual simulated environments, we show that PDDLego+ not only achieves superior performance, but also shows robustness against problem complexity. We also show that the domain knowledge captured after a successful trial is interpretable and benefits future tasks.
- Abstract（参考訳）: 計画において、計画を立てるのではなく、環境を計画ドメイン定義言語(PDDL)に形式化するLLMを用いることで、性能と制御を大幅に改善することが示されている。
ほとんどの研究は、完全に観測可能な環境に焦点を当てているが、我々は、既存の手法が完全な情報の欠如によって無力化されている、より現実的で挑戦的な部分観測可能な環境に取り組む。
既存のトラジェクトリへのアクセスを必要とせずに、PDDL表現をゼロショットで反復的に形式化し、計画し、成長し、洗練するフレームワークであるPDDLego+を提案する。
2つのテキストシミュレーション環境において, PDDLego+は優れた性能を発揮するだけでなく, 問題複雑性に対する堅牢性も示している。
また、試験が成功した後に得られたドメイン知識が解釈可能であり、将来のタスクに役立ちます。
関連論文リスト
- On the Limit of Language Models as Planning Formalizers [4.145422873316857]
大規模言語モデルは、接地された環境で検証可能な計画を作成するのに失敗する。
新たな作業のラインは、計画領域の形式表現を生成するフォーマライザとしてLLMを使うことの成功を示しています。
我々は,PDDLとして記述を効果的に定式化できるモデルが十分に大きいことを観察し,それらを直接的に生成する計画よりも優れていることを示す。
論文 参考訳（メタデータ） (2024-12-13T05:50:22Z) - 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) - 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) - 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)
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。