論文の概要: When both Grounding and not Grounding are Bad -- A Partially Grounded Encoding of Planning into SAT (Extended Version)

• arxiv url: http://arxiv.org/abs/2603.19429v1
• Date: Thu, 19 Mar 2026 19:46:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 19:48:38.855968
• Title: When both Grounding and not Grounding are Bad -- A Partially Grounded Encoding of Planning into SAT (Extended Version)
• Title（参考訳）: 接地も接地も悪い場合-SATへの部分的接地符号化(拡張版)
• Authors: João Filipe, Gregor Behnke,
• Abstract要約: 述語を部分的に接地しながらアクションを解除するSAT符号化を3つ導入する。 我々のアプローチは線形にスケールし、長い計画でより良いパフォーマンスを実現します。 実証的には、ハード・ツー・グラウンドドメインの長大な計画において、私たちの最高のエンコーディングは、最先端の技術を上回ります。
• 参考スコア（独自算出の注目度）: 8.928083899504799
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Classical planning problems are typically defined using lifted first-order representations, which offer compactness and generality. While most planners ground these representations to simplify reasoning, this can cause an exponential blowup in size. Recent approaches instead operate directly on the lifted level to avoid full grounding. We explore a middle ground between fully lifted and fully grounded planning by introducing three SAT encodings that keep actions lifted while partially grounding predicates. Unlike previous SAT encodings, which scale quadratically with plan length, our approach scales linearly, enabling better performance on longer plans. Empirically, our best encoding outperforms the state of the art in length-optimal planning on hard-to-ground domains.
• Abstract（参考訳）: 古典的な計画問題は典型的には、コンパクト性と一般性を提供するリフトされた一階述語表現を用いて定義される。 ほとんどのプランナーは推論を単純化するためにこれらの表現を基礎としているが、これは指数的な大きさの爆発を引き起こす可能性がある。 代わりに、最近のアプローチは、完全な接地を避けるために、持ち上げられたレベルで直接動作している。 本研究では,三つのSATエンコーディングを導入し,部分的な接地状態を維持しつつ,行動の維持を図ることで,完全な揚陸計画と全接地計画の中間地点を探索する。 従来のSATエンコーディングとは対照的に,提案手法は直線的に拡張し,より長い計画においてより優れた性能を実現する。 実証的には、ハード・トゥ・グラウンドドメインの長大な最適計画において、私たちの最高のエンコーディングは最先端の手法よりも優れています。

関連論文リスト

• Spatially Grounded Long-Horizon Task Planning in the Wild [49.614308474374035]
  GroundedPlanBenchは、空間的に接地された長距離行動計画のための新しいベンチマークである。 Video-to-Spatially Grounded Planning (V2GP)は、現実のロボットビデオのデモを活用して、空間的地平面の長期計画を改善する自動データ生成フレームワークである。
  論文  参考訳（メタデータ） (2026-03-13T05:42:18Z)
• Satisficing and Optimal Generalised Planning via Goal Regression (Extended Version) [16.43772461453855]
  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。
  論文  参考訳（メタデータ） (2025-11-14T09:16:32Z)
• Automated Hybrid Grounding Using Structural and Data-Driven Heuristics [68.08622864330296]
  ハイブリットグラウンドリングは、標準ボトムアップグラウンドリングの強度と、グラウンドニング中にルールボディを分離する手法を組み合わせたものである。 ハイブリッド接地が身体分離接地をいつ使うか、標準ボトムアップ接地をいつ使うかは未定である。 我々は,データ構造に基づく分割アルゴリズムを導入し,身体分離接地と標準接地がいつ有用かを検出する。
  論文  参考訳（メタデータ） (2025-07-23T13:19:02Z)
• Piano: A Multi-Constraint Pin Assignment-Aware Floorplanner [32.58046584473385]
  Pianoは、複数の制約の下でモジュール配置とピン割り当てを同時に最適化するフロアプランニングフレームワークである。 その結果、ピアーノはHPWLの平均6.81%の減少、13.39%の減少、および16.36%の減少を達成した。
  論文  参考訳（メタデータ） (2025-07-20T10:44:54Z)
• Learning Hierarchical Domain Models Through Environment-Grounded Interaction [14.98687521721637]
  オープンワールド環境では、単一の汎用ドメインモデルは様々なタスクをキャプチャできない。 大きな言語モデル(LLM)はそのようなドメインを生成することができるが、適用性を制限する高いエラー率に悩まされる。 LLMと環境基盤からの自律的ドメイン学習のためのフレームワークであるLODGEを提案する。
  論文  参考訳（メタデータ） (2025-05-15T20:23:21Z)
• LLM-Assist: Enhancing Closed-Loop Planning with Language-Based Reasoning [65.86754998249224]
  従来のルールベースプランナとLCMベースのプランナを併用した,新しいハイブリッドプランナを開発した。 当社のアプローチでは,既存のプランナが苦労する複雑なシナリオをナビゲートし,合理的なアウトプットを生成すると同時に,ルールベースのアプローチと連携して作業する。
  論文  参考訳（メタデータ） (2023-12-30T02:53:45Z)
• 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)
• Embedding Earth: Self-supervised contrastive pre-training for dense land cover classification [61.44538721707377]
  本研究では,衛星画像の高可用性を活用するための自己監督型コントラスト事前学習法として,エンベディングアースを提案する。 提案手法による事前学習では, 25%の絶対mIoUが得られた。 学習した特徴は、異なる領域間で一般化され、提案した事前学習スキームの可能性を開放する。
  論文  参考訳（メタデータ） (2022-03-11T16:14:14Z)
• Differentiable Spatial Planning using Transformers [87.90709874369192]
  本研究では、長距離空間依存を計画して行動を生成する障害マップを与えられた空間計画変換器(SPT)を提案する。 エージェントが地上の真理マップを知らない環境では、エンド・ツー・エンドのフレームワークで事前訓練されたSPTを利用する。 SPTは、操作タスクとナビゲーションタスクの両方のすべてのセットアップにおいて、最先端の差別化可能なプランナーよりも優れています。
  論文  参考訳（メタデータ） (2021-12-02T06:48:16Z)
• Classical Planning as QBF without Grounding (extended version) [0.0]
  グラウンド化にはメモリの大幅なコストが伴うため、SAT/QBFベースのプランナのエンコーディングが大きくなる。 オブジェクト数に対数的であり、グラウンド化を完全に回避できるコンパクトなQBF符号化を提供する。
  論文  参考訳（メタデータ） (2021-06-18T14:06:57Z)
• 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。