論文の概要: Language Models For Generalised PDDL Planning: Synthesising Sound and Programmatic Policies

• arxiv url: http://arxiv.org/abs/2508.18507v1
• Date: Mon, 25 Aug 2025 21:28:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-27 17:42:38.60151
• Title: Language Models For Generalised PDDL Planning: Synthesising Sound and Programmatic Policies
• Title（参考訳）: 一般PDDL計画のための言語モデル:音とプログラムポリシーの合成
• Authors: Dillon Z. Chen, Johannes Zenn, Tristan Cinquin, Sheila A. McIlraith,
• Abstract要約: 計画領域定義言語(PDDL)で規定される世界モデルにおける言語モデル(LM)の利用について検討する。 我々は、あるドメインからPDDL問題を解決するための一般的なポリシーとして機能するPythonプログラムを生成するよう、LMに促す。 我々は,PDDLプランナや最近のLMアプローチよりも多くのPDDL問題を一定時間とメモリ制約で解くことができることを示す競合ベンチマーク実験を行った。
• 参考スコア（独自算出の注目度）: 14.156642420488168
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We study the usage of language models (LMs) for planning over world models specified in the Planning Domain Definition Language (PDDL). We prompt LMs to generate Python programs that serve as generalised policies for solving PDDL problems from a given domain. Notably, our approach synthesises policies that are provably sound relative to the PDDL domain without reliance on external verifiers. We conduct experiments on competition benchmarks which show that our policies can solve more PDDL problems than PDDL planners and recent LM approaches within a fixed time and memory constraint. Our approach manifests in the LMPlan planner which can solve planning problems with several hundreds of relevant objects. Surprisingly, we observe that LMs used in our framework sometimes plan more effectively over PDDL problems written in meaningless symbols in place of natural language; e.g. rewriting (at dog kitchen) as (p2 o1 o3). This finding challenges hypotheses that LMs reason over word semantics and memorise solutions from its training corpus, and is worth further exploration.
• Abstract（参考訳）: 本研究では,計画ドメイン定義言語 (PDDL) で定義された世界モデルを計画する上での言語モデル (LM) の利用について検討する。 我々は、あるドメインからPDDL問題を解決するための一般的なポリシーとして機能するPythonプログラムを生成するよう、LMに促す。 特に,本手法では,外部検証に頼らずにPDDLドメインに対して確実に健全なポリシーを合成する。 我々は,PDDLプランナや最近のLMアプローチよりも多くのPDDL問題を一定時間とメモリ制約で解くことができることを示す競合ベンチマーク実験を行った。 我々のアプローチは、数百の関連するオブジェクトによる計画問題の解決が可能なLMPlanプランナーに現れます。 驚いたことに、我々のフレームワークで使われるLMは、自然言語の代わりに無意味な記号で書かれたPDDL問題よりも効果的に計画されている。 この発見は、LMが単語の意味論や記憶解よりも理性を持っているという仮説に挑戦し、さらに探究する価値がある。

関連論文リスト

• Improved Generalized Planning with LLMs through Strategy Refinement and Reflection [58.79806530685551]
  疑似コードの形で戦略を生成する手法を提案する。 我々は、Pythonデバッグフェーズをリフレクションステップで拡張し、LLMが観測された計画失敗の理由を特定できるようにする。 17のベンチマーク領域で実験を行い、これらの拡張によって一般化された計画の品質が大幅に向上することを示した。
  論文  参考訳（メタデータ） (2025-08-19T14:42:18Z)
• Generating Symbolic World Models via Test-time Scaling of Large Language Models [28.258707611580643]
  計画ドメイン定義言語(PDDL)は、正確な状態記述と正式な状態記述を可能にする計画抽象化として利用されます。 このアルゴリズムはまず,初期解の品質向上のためにBest-of-Nサンプリング手法を用いる。 本手法はPDDLドメインの生成において, O1-miniよりもかなり優れている。
  論文  参考訳（メタデータ） (2025-02-07T07:52:25Z)
• Leveraging Environment Interaction for Automated PDDL Translation 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)
• Automating the Generation of Prompts for LLM-based Action Choice in PDDL Planning [59.543858889996024]
  大規模言語モデル(LLM)は、様々なNLPタスクに革命をもたらした。 LLMを利用してPDDL入力からNLプロンプトを自動的に生成する方法を示す。 我々のNLプロンプトはPDDLプロンプトや単純なテンプレートベースのNLプロンプトよりも優れた性能が得られる。
  論文  参考訳（メタデータ） (2023-11-16T11:55:27Z)
• 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)
• LLM+P: Empowering Large Language Models with Optimal Planning Proficiency [46.20085545432116]
  大規模言語モデル(LLM)は、目覚ましいゼロショットの一般化能力を示している。 古典的なプランナーは、一度形式化された方法で問題が与えられると、効率的な検索アルゴリズムを使って、正しい、あるいは最適なプランを素早く特定できる。 本稿では,従来のプランナーの強みを LLM に組み込んだ最初のフレームワークである LLM+P を紹介する。
  論文  参考訳（メタデータ） (2023-04-22T20:34:03Z)

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。