論文の概要: Planning Task Shielding: Detecting and Repairing Flaws in Planning Tasks through Turning them Unsolvable
- arxiv url: http://arxiv.org/abs/2604.07042v1
- Date: Wed, 08 Apr 2026 12:57:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-09 17:30:51.540786
- Title: Planning Task Shielding: Detecting and Repairing Flaws in Planning Tasks through Turning them Unsolvable
- Title（参考訳）: 計画課題遮蔽:解決不可能な計画課題における欠陥の検出と修復
- Authors: Alberto Pozanco, Marianela Morales, Pietro Totis, Daniel Borrajo,
- Abstract要約: 計画課題の欠陥を検知し,修復する問題である計画課題の遮蔽を導入する。
元のアクションを最小限に修正することでこれらのタスクを解決する最適なアルゴリズムである$allmin$を提案する。
大型化計画タスクの遮蔽における$allmin$の性能を実証的に評価した。
- 参考スコア（独自算出の注目度）: 5.343135467323389
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Most research in planning focuses on generating a plan to achieve a desired set of goals. However, a goal specification can also be used to encode a property that should never hold, allowing a planner to identify a trace that would reach a flawed state. In such cases, the objective may shift to modifying the planning task to ensure that the flawed state is never reached-in other words, to make the planning task unsolvable. In this paper we introduce planning task shielding: the problem of detecting and repairing flaws in planning tasks. We propose $allmin$, an optimal algorithm that solves these tasks by minimally modifying the original actions to render the planning task unsolvable. We empirically evaluate the performance of $allmin$ in shielding planning tasks of increasing size, showing how it can effectively shield the system by turning the planning task unsolvable.
- Abstract（参考訳）: 計画に関するほとんどの研究は、望ましい一連の目標を達成する計画を作成することに焦点を当てている。
しかし、ゴール仕様は保持すべきでないプロパティをエンコードするためにも使用でき、プランナーは欠陥のある状態に達するトレースを識別できる。
このような場合、目的は計画タスクの変更に移行し、欠陥のある状態が決して到達しないことを保証し、計画タスクを解決不能にする。
本稿では,計画課題の欠陥の検出と修復の課題である計画課題の遮蔽について紹介する。
我々は,これらの課題を最小限に修正して,計画課題を解決不能にする最適なアルゴリズムである$allmin$を提案する。
大規模化による計画タスクの遮蔽における$allmin$の性能を実証的に評価し,計画タスクを解決不可能にすることで,効果的にシステムを保護する方法を示した。
関連論文リスト
- Effective Task Planning with Missing Objects using Learning-Informed Object Search [12.369687852088859]
我々は、新しいモデルベースのLIOSアクションを中心とした計画フレームワークを開発する。
高レベルのプランニングでは、LIOSアクションを決定論的として扱い、モデルベースの計算によって予測されるコストを計算することで、検索と実行をインターリーブするプランを生成する。
シミュレーションされたProcTHORの家庭や実世界では、検索や食事準備といったタスクの学習や学習のベースラインよりも優れています。
論文 参考訳（メタデータ） (2026-02-12T00:56:35Z) - 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) - A Planning Compilation to Reason about Goal Achievement at Planning Time [9.722824469961925]
達成した特定の目標の持続性を強制するコミットアクションを用いて、当初の計画タスクを拡張するコンパイルを提案する。
実験結果から,最適化タスクの解決は最適計画と最適計画の両方のオーバーヘッドを伴わないことが明らかとなった。
論文 参考訳（メタデータ） (2025-03-12T17:00:37Z) - Hindsight Planner: A Closed-Loop Few-Shot Planner for Embodied Instruction Following [62.10809033451526]
本研究は,Large Language Models (LLM) を用いた Embodied Instruction following (EIF) タスクプランナの構築に焦点をあてる。
我々は,このタスクを部分観測可能なマルコフ決定プロセス (POMDP) として構成し,数発の仮定で頑健なプランナーの開発を目指す。
ALFREDデータセットに対する我々の実験は、プランナーが数ショットの仮定で競争性能を達成することを示す。
論文 参考訳（メタデータ） (2024-12-27T10:05:45Z) - 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) - 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) - Sequence-Based Plan Feasibility Prediction for Efficient Task and Motion
Planning [36.300564378022315]
本稿では,移動環境における移動操作問題を解決するための学習可能なタスク・アンド・モーション・プランニング(TAMP)アルゴリズムを提案する。
本アルゴリズムのコアは,タスク計画,目標,初期状態を考慮したトランスフォーマーに基づく新しい学習手法であるPIGINetであり,タスク計画に関連する運動軌跡の発見確率を予測する。
論文 参考訳（メタデータ） (2022-11-03T04:12:04Z) - Task Scoping: Generating Task-Specific Abstractions for Planning [19.411900372400183]
オープンスコープの世界モデルを用いた特定のタスクの計画は、計算的に難解である。
本稿では,初期条件,目標条件,タスクの遷移力学構造に関する知識を活用するタスクスコーピングを提案する。
タスクスコーピングは、関連要因やアクションを決して削除せず、その計算複雑性を特徴づけ、特に有用である計画上の問題を特徴づける。
論文 参考訳（メタデータ） (2020-10-17T21:19:25Z) - 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)
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。