論文の概要: Satisficing and Optimal Generalised Planning via Goal Regression (Extended Version)
- arxiv url: http://arxiv.org/abs/2511.11095v1
- Date: Fri, 14 Nov 2025 09:16:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-17 22:42:18.516477
- Title: Satisficing and Optimal Generalised Planning via Goal Regression (Extended Version)
- Title（参考訳）: ゴール回帰による満足度と最適一般化計画(拡張版)
- Authors: Dillon Z. Chen, Till Hofmann, Toryn Q. Klassen, Sheila A. McIlraith,
- Abstract要約: 汎用計画 (GP) とは、関連する計画問題のファミリーを解くプログラムを合成するタスクである。
GPのための新しい単純な手法を導入し、各問題に対する一連のトレーニング問題を与えられた場合、ある順序で各ゴール原子に対して最適な計画を計算する。
我々は,我々の方法が保証されている条件を定式化し,有効な一般化計画と探索のための状態空間決定公理を学習する。
- 参考スコア（独自算出の注目度）: 16.43772461453855
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Generalised planning (GP) refers to the task of synthesising programs that solve families of related planning problems. We introduce a novel, yet simple method for GP: given a set of training problems, for each problem, compute an optimal plan for each goal atom in some order, perform goal regression on the resulting plans, and lift the corresponding outputs to obtain a set of first-order $\textit{Condition} \rightarrow \textit{Actions}$ rules. The rules collectively constitute a generalised plan that can be executed as is or alternatively be used to prune the planning search space. We formalise and prove the conditions under which our method is guaranteed to learn valid generalised plans and state space pruning axioms for search. Experiments demonstrate significant improvements over state-of-the-art (generalised) planners with respect to the 3 metrics of synthesis cost, planning coverage, and solution quality on various classical and numeric planning domains.
- Abstract（参考訳）: 汎用計画 (GP) とは、関連する計画問題のファミリーを解くプログラムを合成するタスクである。
本稿では,GP の新しい手法を提案する。各問題に対して,ある順序で各目標原子の最適計画を計算し,得られた計画の目標回帰を行い,対応する出力を引き上げて,一階の $\textit{Condition} \rightarrow \textit{Actions}$ ルールを得る。
これらのルールは全体として、計画検索空間を立案するために、あるいは代わりに実行できるような一般化された計画を構成する。
我々は,我々の方法が保証されている条件を定式化し,有効な一般化計画と探索のための状態空間決定公理を学習する。
実験は、様々な古典的および数値的計画領域における合成コスト、計画カバレッジ、ソリューション品質の3つの指標に関して、最先端の(一般化された)プランナーよりも大幅に改善されたことを示す。
関連論文リスト
- Planning with Minimal Disruption [9.722824469961925]
多くの計画アプリケーションでは、目標を達成するために初期状態を最小限に修正する計画を見つけることに興味があるかもしれません。
本稿では,これを正式に導入し,行動コストの合計と計画の混乱の両面を協調的に最適化することを目的とした,様々な計画ベースのコンパイルを定義する。
論文 参考訳（メタデータ） (2025-08-21T08:38:17Z) - Parallel Strategies for Best-First Generalized Planning [51.713634067802104]
汎用計画(GP)は、複数の古典的な計画インスタンスを解くことができるアルゴリズムのようなソリューションの自動合成を研究するAIの研究分野である。
現在の進歩の1つはBest-First Generalized Planning (BFGP) の導入である。
本稿では,並列探索手法をBFGPに適用し,性能ギャップを埋める上で重要な要素であることを示す。
論文 参考訳（メタデータ） (2024-07-31T09:50:22Z) - Learning adaptive planning representations with natural language
guidance [90.24449752926866]
本稿では,タスク固有の計画表現を自動構築するフレームワークであるAdaについて述べる。
Adaは、プランナー互換の高レベルアクション抽象化と、特定の計画タスク領域に適応した低レベルコントローラのライブラリを対話的に学習する。
論文 参考訳（メタデータ） (2023-12-13T23:35:31Z) - 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) - Lifted Sequential Planning with Lazy Constraint Generation Solvers [28.405198103927955]
本稿では,Lzy Clause Generation(LCG)に基づく制約プログラミング(CP)へのアプローチを用いて,オープンな可能性について検討する。
本稿では,いわゆるリフト型因果エンコーディングに基づく新しいCPモデルを提案する。
提案手法は,計画手順の少ない計画インスタンスに対して,最適な逐次計画における最先端の手法と非常によく比較可能であることを報告する。
論文 参考訳（メタデータ） (2023-07-17T04:54:58Z) - Novelty and Lifted Helpful Actions in Generalized Planning [14.513354207511151]
本稿では,計画プログラムに関する新規性を計算するアクションノベルティランクの概念を紹介する。
本稿では,新たな計画計画プログラムを創発する新規性に基づく一般化計画解法を提案する。
論文 参考訳（メタデータ） (2023-07-03T03:44:12Z) - Robust Hierarchical Planning with Policy Delegation [6.1678491628787455]
本稿では,デリゲートの原理に基づく階層計画のための新しいフレームワークとアルゴリズムを提案する。
このプランニング手法は、様々な領域における古典的なプランニングと強化学習技術に対して、実験的に非常に競争力があることを示す。
論文 参考訳（メタデータ） (2020-10-25T04:36:20Z) - Divide-and-Conquer Monte Carlo Tree Search For Goal-Directed Planning [78.65083326918351]
暗黙的な逐次計画の仮定に代わるものを検討する。
本稿では,最適計画の近似を行うため,Divide-and-Conquer Monte Carlo Tree Search (DC-MCTS)を提案する。
計画順序に対するこのアルゴリズム的柔軟性は,グリッドワールドにおけるナビゲーションタスクの改善に繋がることを示す。
論文 参考訳（メタデータ） (2020-04-23T18:08:58Z) - STRIPS Action Discovery [67.73368413278631]
近年のアプローチでは、すべての中間状態が欠如している場合でも、アクションモデルを合成する古典的な計画が成功している。
アクションシグネチャが不明な場合に,従来のプランナーを用いてSTRIPSアクションモデルを教師なしで合成するアルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-01-30T17:08:39Z)
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。