論文の概要: Diverse Planning with Simulators via Linear Temporal Logic
- arxiv url: http://arxiv.org/abs/2510.17418v1
- Date: Mon, 20 Oct 2025 10:59:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-25 00:56:39.421866
- Title: Diverse Planning with Simulators via Linear Temporal Logic
- Title（参考訳）: 線形時間論理を用いたシミュレータによる多元計画
- Authors: Mustafa F. Abdelwahed, Alice Toniolo, Joan Espasa, Ian P. Gent,
- Abstract要約: $textttFBI_textttLTL$は、シミュレーションベースの計画問題のために明示的に設計された多種多様なプランナーである。
これらベースの多様性モデルを検索プロセスに直接統合することにより、$textttFBI_textttLTL$は、意味的に多様なプランの生成を保証する。
- 参考スコア（独自算出の注目度）: 1.684937603700545
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Autonomous agents rely on automated planning algorithms to achieve their objectives. Simulation-based planning offers a significant advantage over declarative models in modelling complex environments. However, relying solely on a planner that produces a single plan may not be practical, as the generated plans may not always satisfy the agent's preferences. To address this limitation, we introduce $\texttt{FBI}_\texttt{LTL}$, a diverse planner explicitly designed for simulation-based planning problems. $\texttt{FBI}_\texttt{LTL}$ utilises Linear Temporal Logic (LTL) to define semantic diversity criteria, enabling agents to specify what constitutes meaningfully different plans. By integrating these LTL-based diversity models directly into the search process, $\texttt{FBI}_\texttt{LTL}$ ensures the generation of semantically diverse plans, addressing a critical limitation of existing diverse planning approaches that may produce syntactically different but semantically identical solutions. Extensive evaluations on various benchmarks consistently demonstrate that $\texttt{FBI}_\texttt{LTL}$ generates more diverse plans compared to a baseline approach. This work establishes the feasibility of semantically-guided diverse planning in simulation-based environments, paving the way for innovative approaches in realistic, non-symbolic domains where traditional model-based approaches fail.
- Abstract（参考訳）: 自律エージェントは、目的を達成するために自動計画アルゴリズムに依存します。
シミュレーションベースのプランニングは、複雑な環境をモデル化する上で、宣言的モデルよりも大きなアドバンテージを提供する。
しかし、単一の計画を作成するプランナーのみに頼ることは現実的ではないかもしれない。
この制限に対処するために、シミュレーションベースの計画問題のために明示的に設計された多様なプランナーである$\texttt{FBI}_\texttt{LTL}$を紹介します。
$\texttt{FBI}_\texttt{LTL}$ utilises Linear Temporal Logic (LTL) を使用してセマンティック多様性の基準を定義し、エージェントが有意義に異なる計画を構成するものを指定することができる。
これらのLTLベースの多様性モデルを検索プロセスに直接組み込むことで、$\texttt{FBI}_\texttt{LTL}$は意味的に多様な計画を生成することを保証する。
様々なベンチマークの大規模な評価は、$\texttt{FBI}_\texttt{LTL}$がベースラインアプローチよりも多様なプランを生成することを一貫して示している。
この研究は、シミュレーションベースの環境で意味論的に誘導された多様な計画の実現性を確立し、従来のモデルベースのアプローチが失敗する現実的で象徴的でない領域における革新的なアプローチの道を開く。
関連論文リスト
- PLAN-TUNING: Post-Training Language Models to Learn Step-by-Step Planning for Complex Problem Solving [66.42260489147617]
大規模言語モデルから合成タスク分解を蒸留するフレームワークであるPLAN-TUNINGを紹介する。
複雑な推論を改善するために、教師付きおよび強化学習の目的を通したプランチューン細管モデル。
本分析は,計画軌道が複雑な推論能力をいかに改善するかを示す。
論文 参考訳（メタデータ） (2025-07-10T07:30:44Z) - Wide-Horizon Thinking and Simulation-Based Evaluation for Real-World LLM Planning with Multifaceted Constraints [39.01715254437105]
本稿では,多面制約による計画課題を解決するための多面計画(MAoP)について紹介する。
MAoPは直接計画するのではなく、ストラテジストを活用して、さまざまな側面から事前計画を行い、プランナーのための計画青写真を提供する。
論文 参考訳（メタデータ） (2025-06-14T09:37:59Z) - SPIO: Ensemble and Selective Strategies via LLM-Based Multi-Agent Planning in Automated Data Science [1.1343849658875087]
大規模言語モデル(LLM)は、動的推論と適応性を有効にすることで、自動データ分析と機械学習に革命をもたらした。
4つの主要なモジュールをまたいだマルチエージェントプランニングを編成する新しいフレームワークであるSPIOを提案する。
各モジュールでは、専用の計画エージェントが独立して、後続のステージにカスケードする候補戦略を生成し、包括的な探索を促進する。
論文 参考訳（メタデータ） (2025-03-30T04:45:32Z) - Interactive and Expressive Code-Augmented Planning with Large Language Models [62.799579304821826]
大きな言語モデル(LLM)は、常識的推論と対話的な意思決定において強力な能力を示す。
近年,制御フローなどのコード・アジャセント技術を用いてLCM出力を構造化し,計画性能を向上させる技術が提案されている。
完全コード表現で動的なLEM計画手法であるREPL-Planを提案する。
論文 参考訳（メタデータ） (2024-11-21T04:23:17Z) - Nl2Hltl2Plan: Scaling Up Natural Language Understanding for Multi-Robots Through Hierarchical Temporal Logic Task Representation [8.180994118420053]
Nl2Hltl2Planは自然言語コマンドを階層線形時間論理(LTL)に変換するフレームワーク
まず、LLMは命令を階層的なタスクツリーに変換し、論理的および時間的関係をキャプチャする。
次に、微調整されたLLMは、サブタスクをフラットな公式に変換し、階層的な仕様に集約する。
論文 参考訳（メタデータ） (2024-08-15T14:46:13Z) - Exploring and Benchmarking the Planning Capabilities of Large Language Models [57.23454975238014]
この研究は、大規模言語モデル(LLM)の計画能力を改善するための基礎を築いた。
我々は、古典的な計画ベンチマークと自然言語シナリオの両方を含む包括的なベンチマークスイートを構築した。
本研究は,LLM計画の強化を目的としたマルチショットインコンテキスト学習について検討し,文脈長の増大と計画性能の向上の関係について検討する。
論文 参考訳（メタデータ） (2024-06-18T22:57:06Z) - Unlocking Large Language Model's Planning Capabilities with Maximum Diversity Fine-tuning [10.704716790096498]
大規模言語モデル(LLM)は、技術やシステム設計の促進を通じて、目覚ましいタスク解決能力を示している。
事前データに制限のあるタスクを計画するためには、GPTやGeminiといったプロプライエタリなモデルを含むLLMのパフォーマンスは貧弱である。
本稿では,LLMの計画能力に及ぼす微調整の影響について検討する。
論文 参考訳（メタデータ） (2024-06-15T03:06:14Z) - What's the Plan? Evaluating and Developing Planning-Aware Techniques for Language Models [7.216683826556268]
大きな言語モデル(LLM)は、計画機能を必要とするアプリケーションにますます使われています。
我々は,新しいハイブリッド・メソドであるSimPlanを紹介し,その性能を新たな挑戦的な設定で評価する。
論文 参考訳（メタデータ） (2024-02-18T07:42:49Z) - Simultaneous Task Allocation and Planning for Multi-Robots under Hierarchical Temporal Logic Specifications [8.471147498059235]
有限トレース (LTL$_f$) 上で広く使用される仕様型の階層構造を導入する。
HLTL$_f$と呼ばれる結果の言語は、構文とセマンティクスの両方で定義される。
また,マルチロボットシステムの設計計画を合成するための検索ベースアプローチも開発している。
論文 参考訳（メタデータ） (2024-01-08T16:35:13Z) - Guiding Language Model Reasoning with Planning Tokens [122.43639723387516]
大規模言語モデル(LLM)は、最近、複雑な推論タスクを実行する能力に対して、かなりの関心を集めている。
より構造的なチェーン・オブ・シークレット・ステップの創出を促す階層的な生成手法を提案する。
提案手法では、トレーニング可能なパラメータ(0.001%)の無視可能な増加が必要であり、完全な微調整か、よりパラメータ効率の良いスキームで適用することができる。
論文 参考訳（メタデータ） (2023-10-09T13:29:37Z) - 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)
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。