論文の概要: Subgoaling Relaxation-based Heuristics for Numeric Planning with Infinite Actions
- arxiv url: http://arxiv.org/abs/2512.22367v1
- Date: Fri, 26 Dec 2025 20:05:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-30 22:37:30.013351
- Title: Subgoaling Relaxation-based Heuristics for Numeric Planning with Infinite Actions
- Title（参考訳）: 無限行動をもつ数値計画のための緩和型ヒューリスティックス
- Authors: Ángel Aso-Mollar, Diego Aineto, Enrico Scala, Eva Onaindia,
- Abstract要約: 制御パラメータによるプランニングは、自由数値変数としてアクションパラメータを導入することで、標準的な数値プランニングモデルを拡張する。
この設定では、アクション構造を利用するオフザシェルフ数値は実現不可能である。
本稿では,単純な数値問題から単純な数値問題へ変換する楽観的なコンパイル手法を提案する。
- 参考スコア（独自算出の注目度）: 11.009425634308043
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Numeric planning with control parameters extends the standard numeric planning model by introducing action parameters as free numeric variables that must be instantiated during planning. This results in a potentially infinite number of applicable actions in a state. In this setting, off-the-shelf numeric heuristics that leverage the action structure are not feasible. In this paper, we identify a tractable subset of these problems--namely, controllable, simple numeric problems--and propose an optimistic compilation approach that transforms them into simple numeric tasks. To do so, we abstract control-dependent expressions into bounded constant effects and relaxed preconditions. The proposed compilation makes it possible to effectively use subgoaling heuristics to estimate goal distance in numeric planning problems involving control parameters. Our results demonstrate that this approach is an effective and computationally feasible way of applying traditional numeric heuristics to settings with an infinite number of possible actions, pushing the boundaries of the current state of the art.
- Abstract（参考訳）: 制御パラメータを持つ数値プランニングは、計画中にインスタンス化されなければならない自由数値変数としてアクションパラメータを導入することで、標準的な数値プランニングモデルを拡張する。
これにより、状態における適用可能なアクションの潜在的に無限の数が得られる。
この設定では、作用構造を利用する既成の数値ヒューリスティックは実現不可能である。
本稿では、これらの問題の抽出可能なサブセット、すなわち、制御可能で、単純な数値問題を特定し、それらを単純な数値タスクに変換する楽観的なコンパイル手法を提案する。
そのため、制御依存表現を境界定数効果に抽象化し、事前条件を緩和する。
提案したコンピレーションにより,制御パラメータを含む数値計画問題の目標距離を推定するために,置換ヒューリスティックを効果的に利用することが可能となる。
提案手法は,従来の数値ヒューリスティックスを無限の動作が可能な設定に適用し,現在の最先端技術の境界を推し進める,効果的かつ計算可能な方法であることを示す。
関連論文リスト
- Sequence Variables: A Constraint Programming Computational Domain for Routing and Sequencing [16.6643744762214]
本稿では,制約プログラミング(CP)におけるシーケンス変数の形式化について述べる。
古典的な後継モデルとは異なり、この計算領域は挿入ベースのLarge Neighborhood Searchを含む任意の訪問とサポート挿入を扱う。
実装は、既存のトレースベースのCPソルバにシーケンス変数を統合するために必要な基礎データ構造で記述される。
論文 参考訳（メタデータ） (2025-10-10T13:29:40Z) - Handling Infinite Domain Parameters in Planning Through Best-First Search with Delayed Partial Expansions [11.009425634308043]
自動計画では、制御パラメータは連続的な数値決定変数を導入して標準アクション表現を拡張する。
既存の最先端のアプローチは、他の時間的制約や数値的制約と共に、組み込み制約として制御パラメータを主に扱っている。
本稿では,制御パラメータを体系的な探索方式における真の決定点として明示的に扱う,効率的な代替案を提案する。
論文 参考訳（メタデータ） (2025-09-04T07:27:27Z) - Unified Task and Motion Planning using Object-centric Abstractions of
Motion Constraints [56.283944756315066]
本稿では,タスクとモーションプランニングを一つの検索に統一するTAMP手法を提案する。
我々のアプローチは、オフザシェルフAIサーチの計算効率を活用して、物理的に実現可能な計画が得られるような、オブジェクト中心の動作制約の抽象化に基づいている。
論文 参考訳（メタデータ） (2023-12-29T14:00:20Z) - Online Constraint Tightening in Stochastic Model Predictive Control: A
Regression Approach [49.056933332667114]
確率制約付き最適制御問題に対する解析解は存在しない。
制御中の制約強調パラメータをオンラインで学習するためのデータ駆動型アプローチを提案する。
提案手法は, 確率制約を厳密に満たす制約強調パラメータを導出する。
論文 参考訳（メタデータ） (2023-10-04T16:22:02Z) - 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) - DiMSam: Diffusion Models as Samplers for Task and Motion Planning under Partial Observability [58.75803543245372]
タスク・アンド・モーション・プランニング(TAMP)アプローチは多段階自律ロボット操作の計画に適している。
本稿では,TAMPシステムを用いた拡散モデルの構築により,これらの制限を克服することを提案する。
古典的TAMP, 生成モデリング, 潜伏埋め込みの組み合わせによって, 多段階制約に基づく推論が可能となることを示す。
論文 参考訳（メタデータ） (2023-06-22T20:40:24Z) - Gradient-Based Mixed Planning with Discrete and Continuous Actions [34.885999774739055]
本稿では,連続パラメータと候補計画の動作を同時に最適化する二次的枠組みを提案する。
フレームワークはモジュールと組み合わせて、緩和に基づいて初期状態から目標へ移行する最適な計画候補を推定する。
論文 参考訳（メタデータ） (2021-10-19T14:21:19Z) - Goal Kernel Planning: Linearly-Solvable Non-Markovian Policies for Logical Tasks with Goal-Conditioned Options [54.40780660868349]
我々はLinearly-Solvable Goal Kernel Dynamic Programming (LS-GKDP)と呼ばれる合成フレームワークを導入する。
LS-GKDPは、Linearly-Solvable Markov Decision Process (LMDP)形式とOptions Framework of Reinforcement Learningを組み合わせたものである。
本稿では,目標カーネルを持つLMDPが,タスク接地によって定義された低次元部分空間におけるメタポリティシの効率的な最適化を実現する方法を示す。
論文 参考訳（メタデータ） (2020-07-06T05:13:20Z) - 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。