論文の概要: Generating Plans for Belief-Desire-Intention (BDI) Agents Using Alternating-Time Temporal Logic (ATL)

• arxiv url: http://arxiv.org/abs/2509.15238v1
• Date: Wed, 17 Sep 2025 15:34:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-22 18:18:10.807883
• Title: Generating Plans for Belief-Desire-Intention (BDI) Agents Using Alternating-Time Temporal Logic (ATL)
• Title（参考訳）: 交代時間時間論理(ATL)を用いたBDIエージェントの生成計画
• Authors: Dylan Léveillé,
• Abstract要約: BDI(Breief-Desire-Intention)は、エージェントを信念、欲求、意図に基づいてモデル化する枠組みである。 我々は,ATL(Alternating-Time Temporal Logic)を用いたBDIプランの自動生成ツールを開発した。 本ツールの有効性は,共有目標達成のためにエージェントコラボレーションを必要とするイラストラティブゲームのための計画を生成することで実証する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Belief-Desire-Intention (BDI) is a framework for modelling agents based on their beliefs, desires, and intentions. Plans are a central component of BDI agents, and define sequences of actions that an agent must undertake to achieve a certain goal. Existing approaches to plan generation often require significant manual effort, and are mainly focused on single-agent systems. As a result, in this work, we have developed a tool that automatically generates BDI plans using Alternating-Time Temporal Logic (ATL). By using ATL, the plans generated accommodate for possible competition or cooperation between the agents in the system. We demonstrate the effectiveness of the tool by generating plans for an illustrative game that requires agent collaboration to achieve a shared goal. We show that the generated plans allow the agents to successfully attain this goal.
• Abstract（参考訳）: BDI(Breief-Desire-Intention)は、エージェントを信念、欲求、意図に基づいてモデル化する枠組みである。 プランはBDIエージェントの中心的なコンポーネントであり、ある目標を達成するためにエージェントが実行しなければならないアクションのシーケンスを定義する。 計画生成への既存のアプローチは、しばしばかなりの手作業を必要とし、主に単一エージェントシステムに焦点を当てている。 そこで本研究では,ATL(Alternating-Time Temporal Logic)を用いて,BDIプランを自動的に生成するツールを開発した。 ATLを使用することで、システム内のエージェント間の競合や協力が可能になった。 本ツールの有効性は,共有目標達成のためにエージェントコラボレーションを必要とするイラストラティブゲームのための計画を生成することで実証する。 生成された計画により、エージェントがこの目標を達成することができることを示す。

関連論文リスト

• Hindsight Planner: A Closed-Loop Few-Shot Planner for Embodied Instruction Following [62.10809033451526]
  本研究は,Large Language Models (LLM) を用いた Embodied Instruction following (EIF) タスクプランナの構築に焦点をあてる。 我々は,このタスクを部分観測可能なマルコフ決定プロセス (POMDP) として構成し,数発の仮定で頑健なプランナーの開発を目指す。 ALFREDデータセットに対する我々の実験は、プランナーが数ショットの仮定で競争性能を達成することを示す。
  論文  参考訳（メタデータ） (2024-12-27T10:05:45Z)
• AgentGen: Enhancing Planning Abilities for Large Language Model based Agent via Environment and Task Generation [81.32722475387364]
  大規模言語モデルに基づくエージェントが注目され、ますます人気が高まっている。 計画能力は LLM ベースのエージェントの重要な構成要素であり、通常は初期状態から望ましい目標を達成する必要がある。 近年の研究では、専門家レベルの軌跡を指導訓練用LLMに活用することで、効果的に計画能力を向上させることが示されている。
  論文  参考訳（メタデータ） (2024-08-01T17:59:46Z)
• Ask-before-Plan: Proactive Language Agents for Real-World Planning [68.08024918064503]
  プロアクティブエージェントプランニングでは、ユーザエージェントの会話とエージェント環境のインタラクションに基づいて、言語エージェントが明確化のニーズを予測する必要がある。 本稿では,明確化,実行,計画の3つのエージェントからなる新しいマルチエージェントフレームワーク,Clarification-Execution-Planning(textttCEP)を提案する。
  論文  参考訳（メタデータ） (2024-06-18T14:07:28Z)
• Anticipate & Collab: Data-driven Task Anticipation and Knowledge-driven Planning for Human-robot Collaboration [13.631341660350028]
  日々の生活活動において人間を支援するエージェントは、今後の課題を予測してより効果的に協力することができる。 データ駆動型手法はタスク予測、計画、関連する問題の最先端を表現しているが、これらの手法は資源不足と不透明である。 本稿では,人間とロボットのコラボレーションに向けたこれまでの取り組みを大幅に拡張するフレームワークであるDaTAPlanについて述べる。
  論文  参考訳（メタデータ） (2024-04-04T16:52:48Z)
• TwoStep: Multi-agent Task Planning using Classical Planners and Large Language Models [7.006219157655741]
  大規模言語モデル(LLM)は、アクションシーケンスを組み立てるためにコモンセンス推論を利用することができる。 LLMをベースとした目標分解は,複数エージェントのPDDL問題を直接解決するよりも,計画時間の短縮につながることを示す。 LLMによるサブゴールの近似は、人間の専門家によって特定されたものと類似したマルチエージェント実行長をもたらすことが判明した。
  論文  参考訳（メタデータ） (2024-03-25T22:47:13Z)
• Adaptation and Communication in Human-Robot Teaming to Handle Discrepancies in Agents' Beliefs about Plans [13.637799815698559]
  我々はモンテカルロ木探索に基づくオンライン実行アルゴリズムを提案し,その動作を計画する。 私たちのエージェントは、共有されたメンタルモデルを保証することなく、チームで作業するための装備がより優れていることを示しています。
  論文  参考訳（メタデータ） (2023-07-07T03:05:34Z)
• Towards Using Promises for Multi-Agent Cooperation in Goal Reasoning [15.924281804465254]
  一般的に使われているゴール改善メカニズムであるゴールライフサイクルに、約束をどのように組み込むことができるかを示す。 次に、時間付き初期リテラルに接続することで、特定の目標を計画する際にPromiseをどのように使用できるかを示す。
  論文  参考訳（メタデータ） (2022-06-20T15:57:51Z)
• Online Grounding of PDDL Domains by Acting and Sensing in Unknown Environments [62.11612385360421]
  本稿では,エージェントが異なるタスクを実行できるフレームワークを提案する。 機械学習モデルを統合して、感覚データを抽象化し、目標達成のためのシンボリックプランニング、ナビゲーションのためのパスプランニングを行う。 提案手法を,RGB-Dオンボードカメラ,GPS,コンパスなど,正確なシミュレーション環境で評価する。
  論文  参考訳（メタデータ） (2021-12-18T21:48:20Z)
• Model-based Reinforcement Learning for Decentralized Multiagent Rendezvous [66.6895109554163]
  目標を他のエージェントと整合させる人間の能力の下にあるのは、他人の意図を予測し、自分たちの計画を積極的に更新する能力である。 分散型マルチエージェントレンデブーのためのモデルに基づく強化学習手法である階層型予測計画(HPP)を提案する。
  論文  参考訳（メタデータ） (2020-03-15T19:49:20Z)

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。