論文の概要: Lifted Successor Generation in Numeric Planning

• arxiv url: http://arxiv.org/abs/2511.00673v1
• Date: Sat, 01 Nov 2025 19:33:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 16:37:26.887417
• Title: Lifted Successor Generation in Numeric Planning
• Title（参考訳）: 数値計画におけるリフテッド継承子生成
• Authors: Dominik Drexler,
• Abstract要約: ほとんどのプランナーは、数値的な計画タスクを基礎的なタスク表現に置きます。 これにより、タスク表現サイズが指数関数的に爆発する可能性がある。 我々は、数値プレコンディショナビリティをサポートするため、古典的な計画のために最先端のリフトアップ後継ジェネレータを拡張した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Most planners ground numeric planning tasks, given in a first-order-like language, into a ground task representation. However, this can lead to an exponential blowup in task representation size, which occurs in practice for hard-to-ground tasks. We extend a state-of-the-art lifted successor generator for classical planning to support numeric precondition applicability. The method enumerates maximum cliques in a substitution consistency graph. Each maximum clique represents a substitution for the variables of the action schema, yielding a ground action. We augment this graph with numeric action preconditions and prove the successor generator is exact under formally specified conditions. When the conditions fail, our generator may list inapplicable ground actions; a final applicability check filters these without affecting completeness. However, this cannot happen in 23 of 25 benchmark domains, and it occurs only in 1 domain. To the authors' knowledge, no other lifted successor generator supports numeric action preconditions. This enables future research on lifted planning for a very rich planning fragment.
• Abstract（参考訳）: ほとんどのプランナーは、一階述語のような言語で与えられた数値的な計画タスクを、基礎的なタスク表現に基礎づける。 しかし、これはタスク表現サイズが指数関数的に爆発する可能性があり、これは実際は地上でのタスクに対して発生する。 我々は、数値プレコンディショナビリティをサポートするため、古典的な計画のために最先端のリフトアップ後継ジェネレータを拡張した。 この方法は置換整合グラフにおいて最大傾きを列挙する。 各最大cliqueはアクションスキーマの変数の置換を表し、基底アクションを生成する。 このグラフを数値的な動作条件で拡張し、後継生成元が正確に指定された条件下で証明する。 条件が失敗した場合、ジェネレータは適用不可能な接地動作をリストアップし、最終的な適用性チェックは完全性に影響を与えることなくこれらをフィルタする。 しかし、これは25のベンチマークドメインのうち23で実現できず、1つのドメインでのみ発生します。 著者の知る限りでは、他の上げられた後継ジェネレータは数値的な行動前提条件をサポートしていない。 これにより、非常にリッチな計画フラグメントのためのリフトプランニングに関する将来の研究が可能になる。

関連論文リスト

• From domain-landmark graph learning to problem-landmark graph generation [0.5199765487172326]
  計画領域の複数の計画課題からランドマーク関係を学習する新しい手法を提案する。 我々は、よく知られた計画領域に対するアプローチによって発見された情報の精度とリコールを評価する。
  論文  参考訳（メタデータ） (2025-09-21T12:41:56Z)
• Lifted Forward Planning in Relational Factored Markov Decision Processes with Concurrent Actions [3.8034305806296747]
  対象数の指数的サイズではなく,空間を格納する一階表現を提案する。 我々はまた、この表現を用いて、多くの識別不能なオブジェクトやアクションに対するポリシーを効率的に計算する、リレーショナル・フォワード・プランナーであるForeplanを紹介した。
  論文  参考訳（メタデータ） (2025-05-28T09:08:27Z)
• Multi-Valued Partial Order Plans in Numeric Planning [14.290119665435121]
  まずは、検索問題として制限タスクとして知られる数値計画問題を再構築することから始める。 次に、ブールアンを用いてNP完全計画の断片をいかに見つけられるかを示す。 これを実現するために、我々は、多値部分順序計画の考え方を発展させる。
  論文  参考訳（メタデータ） (2023-07-27T07:24:30Z)
• Non-Sequential Graph Script Induction via Multimedia Grounding [129.83134296316493]
  我々は、学習タスクのための明示的なグラフスクリプトを生成することと、部分的なステップシーケンスが与えられた将来のステップを予測することの両方が可能なスクリプト知識モデルを訓練する。 人間による評価では、我々のモデルはWikiHowの線形ベースラインを48.76%上回り、シーケンシャルなステップ関係と非シーケンシャルなステップ関係を捉えた。
  論文  参考訳（メタデータ） (2023-05-27T18:13:17Z)
• Multimodal Contextualized Plan Prediction for Embodied Task Completion [9.659463406886301]
  タスクプランニングは従来のロボットシステムにおいて重要なコンポーネントであり、ロボットがより複雑なタスクを実行するためのきめ細かいスキルを組み立てることができる。 シミュレーション実施エージェントにおけるタスク完了のための自然言語を実行可能なアクションに翻訳する最近の作業構築システムは,低レベルのアクションシーケンスを直接予測することに焦点を当てている。 我々は,そのような具体化されたタスク完了データセット - TEACh に対して,より高いレベルの計画表現を予測することに集中する。
  論文  参考訳（メタデータ） (2023-05-10T22:29:12Z)
• 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)
• Conditional Generation with a Question-Answering Blueprint [84.95981645040281]
  我々は、条件生成を不透明にし、より根底的にレンダリングするための有用な中間表現としてのプランニングを提唱する。 我々は、最先端の質問生成技術を利用して、自動的に青写真を得る。 我々はTransformerベースのモデルを開発し、それぞれが生成した出力にブループリントを組み込む方法が異なる。
  論文  参考訳（メタデータ） (2022-07-01T13:10:19Z)
• Generative Planning for Temporally Coordinated Exploration in Reinforcement Learning [29.811723497181486]
  ジェネレーティブプランニング法(GPM)は、現在のステップだけでなく、将来のステップでもアクションを生成することができる。 GPMは、その生成した多段階計画を利用して、高価値領域への時間的協調探索を行うことができる。
  論文  参考訳（メタデータ） (2022-01-24T15:53:32Z)

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。