論文の概要: An End-to-end Planning Framework with Agentic LLMs and PDDL

• arxiv url: http://arxiv.org/abs/2512.09629v1
• Date: Wed, 10 Dec 2025 13:17:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-11 15:14:53.53272
• Title: An End-to-end Planning Framework with Agentic LLMs and PDDL
• Title（参考訳）: エージェントLDMとPDDLを用いたエンドツーエンド計画フレームワーク
• Authors: Emanuele La Malfa, Ping Zhu, Samuele Marro, Sara Bernardini, Michael Wooldridge,
• Abstract要約: 検証者によって支援される計画のためのエンドツーエンドのフレームワークを提案する。 オーケストレータは、自然言語で書かれた人間の仕様を受け取り、PDDLモデルに変換する。 検証済みのドメインと問題は、計画を生成するために外部の計画エンジンに渡される。
• 参考スコア（独自算出の注目度）: 9.718390674899771
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present an end-to-end framework for planning supported by verifiers. An orchestrator receives a human specification written in natural language and converts it into a PDDL (Planning Domain Definition Language) model, where the domain and problem are iteratively refined by sub-modules (agents) to address common planning requirements, such as time constraints and optimality, as well as ambiguities and contradictions that may exist in the human specification. The validated domain and problem are then passed to an external planning engine to generate a plan. The orchestrator and agents are powered by Large Language Models (LLMs) and require no human intervention at any stage of the process. Finally, a module translates the final plan back into natural language to improve human readability while maintaining the correctness of each step. We demonstrate the flexibility and effectiveness of our framework across various domains and tasks, including the Google NaturalPlan benchmark and PlanBench, as well as planning problems like Blocksworld and the Tower of Hanoi (where LLMs are known to struggle even with small instances). Our framework can be integrated with any PDDL planning engine and validator (such as Fast Downward, LPG, POPF, VAL, and uVAL, which we have tested) and represents a significant step toward end-to-end planning aided by LLMs.
• Abstract（参考訳）: 検証者によって支援される計画のためのエンドツーエンドのフレームワークを提案する。 オーケストレータは、自然言語で書かれた人間の仕様を受け取り、それをPDDL(Planning Domain Definition Language)モデルに変換し、ドメインと問題は、時間制約や最適性といった共通の計画要件に対処するために、サブモジュール(エージェント)によって反復的に洗練される。 検証済みのドメインと問題は、計画を生成するために外部の計画エンジンに渡される。 オーケストレータとエージェントはLLM(Large Language Models)を使用しており、プロセスのどの段階でも人間の介入を必要としない。 最後に、モジュールは最終計画を自然言語に翻訳し、各ステップの正確性を維持しながら、人間の可読性を改善する。 Google NaturalPlanベンチマークやPlanBench、BlocksworldやTower of Hanoi(LLMが小さなインスタンスでも苦労していることが知られている)といった計画上の問題などです。 我々のフレームワークは、どのPDDL計画エンジンやバリデータ(例えば、我々がテストしたFast Downward, LPG, POPF, VAL, uVAL)とも統合することができ、LCMが支援するエンドツーエンドプランニングに向けた重要なステップを示している。

関連論文リスト

• Language Models For Generalised PDDL Planning: Synthesising Sound and Programmatic Policies [14.156642420488168]
  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。
  論文  参考訳（メタデータ） (2025-08-25T21:28:14Z)
• 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)
• LLM-Generated Heuristics for AI Planning: Do We Even Need Domain-Independence Anymore? [87.71321254733384]
  大規模言語モデル(LLM)は、特定の計画問題に適した計画手法を生成することができる。 LLMは、いくつかの標準IPCドメインで最先端のパフォーマンスを達成することができる。 これらの結果がパラダイムシフトを意味するのか、既存の計画手法をどのように補完するかについて議論する。
  論文  参考訳（メタデータ） (2025-01-30T22:21:12Z)
• 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)
• 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)
• 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)
• Plansformer: Generating Symbolic Plans using Transformers [24.375997526106246]
  大規模言語モデル(LLM)は、自然言語処理(NLP)分野を著しく進歩させ、活発な研究対象となっている。 プランフォーマーは計画上の問題に微調整され、知識工学の努力を減らし、正確さと長さの点で良好な行動で計画を生成することができる。 Plansformerの1つの構成では、97%の有効なプランが達成されます。
  論文  参考訳（メタデータ） (2022-12-16T19:06:49Z)

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。