論文の概要: Decoupled Travel Planning with Behavior Forest

• arxiv url: http://arxiv.org/abs/2604.21354v1
• Date: Thu, 23 Apr 2026 07:14:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-24 14:40:06.351633
• Title: Decoupled Travel Planning with Behavior Forest
• Title（参考訳）: ビヘイビアフォレストと疎結合旅行計画
• Authors: Duanyang Yuan, Sihang Zhou, Yanning Hou, Xiaoshu Chen, Haoyuan Chen, Ke Liang, Jiyuan Liu, Chuan Ma, Xinwang Liu, Jian Huang,
• Abstract要約: 行動フォレスト法は、意思決定プロセスを平行な行動木の森に構造化する。 これらの木間の相互作用を整理し、モジュール的かつ一貫性のある旅行計画を可能にするため、グローバルな調整機構が導入された。 実験の結果,TravePlannerでは6.67%,ChinaTravelベンチマークでは11.82%,最先端手法では6.67%であった。
• 参考スコア（独自算出の注目度）: 35.5010511425089
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Behavior sequences, composed of executable steps, serve as the operational foundation for multi-constraint planning problems such as travel planning. In such tasks, each planning step is not only constrained locally but also influenced by global constraints spanning multiple subtasks, leading to a tightly coupled and complex decision process. Existing travel planning methods typically rely on a single decision space that entangles all subtasks and constraints, failing to distinguish between locally acting constraints within a subtask and global constraints that span multiple subtasks. Consequently, the model is forced to jointly reason over local and global constraints at each decision step, increasing the reasoning burden and reducing planning efficiency. To address this problem, we propose the Behavior Forest method. Specifically, our approach structures the decision-making process into a forest of parallel behavior trees, where each behavior tree is responsible for a subtask. A global coordination mechanism is introduced to orchestrate the interactions among these trees, enabling modular and coherent travel planning. Within this framework, large language models are embedded as decision engines within behavior tree nodes, performing localized reasoning conditioned on task-specific constraints to generate candidate subplans and adapt decisions based on coordination feedback. The behavior trees, in turn, provide an explicit control structure that guides LLM generation. This design decouples complex tasks and constraints into manageable subspaces, enabling task-specific reasoning and reducing the cognitive load of LLM. Experimental results show that our method outperforms state-of-the-art methods by 6.67% on the TravelPlanner and by 11.82% on the ChinaTravel benchmarks, demonstrating its effectiveness in increasing LLM performance for complex multi-constraint travel planning.
• Abstract（参考訳）: 実行可能なステップで構成された行動シーケンスは、旅行計画のような多制約計画問題の運用基盤となる。 このようなタスクでは、各計画ステップは局所的に制約されるだけでなく、複数のサブタスクにまたがるグローバルな制約の影響も受け、密結合で複雑な意思決定プロセスにつながる。 既存の旅行計画手法は、通常、すべてのサブタスクと制約を絡める単一の決定空間に依存し、サブタスク内で局所的に作用する制約と複数のサブタスクにまたがるグローバルな制約を区別することができない。 その結果、各決定ステップにおいて局所的制約とグローバル的制約を共同で推論し、推論の負担を増大させ、計画効率を低下させる。 この問題に対処するため,我々は行動森林法を提案する。 具体的には,各行動木がサブタスクに責任を負う並列行動木の森に決定過程を構造化する。 これらの木間の相互作用を整理し、モジュール的かつ一貫性のある旅行計画を可能にするため、グローバルな調整機構が導入された。 このフレームワーク内では、大きな言語モデルが行動ツリーノード内の決定エンジンとして組み込まれ、タスク固有の制約を条件に局所的推論を行い、候補サブプランを生成し、協調フィードバックに基づいて決定を適応する。 ビヘイビアツリーは、LLM生成をガイドする明示的な制御構造を提供する。 この設計は複雑なタスクと制約を管理可能なサブスペースに分離し、タスク固有の推論を可能にし、LLMの認知負荷を低減する。 実験の結果,TravePlannerでは6.67%, ChinaTravelベンチマークでは11.82%, 複雑な多制約旅行計画においてLLMの性能向上効果を示した。

関連論文リスト

• HiPlan: Hierarchical Planning for LLM-Based Agents with Adaptive Global-Local Guidance [11.621973074884002]
  HiPlanは、大規模言語モデル(LLM)ベースのエージェントのための階層的計画フレームワークである。 複雑なタスクを、一般的な方向のためのマイルストーンアクションガイドと、詳細なアクションのためのステップワイズヒントに分解する。 オフラインのフェーズでは、専門家によるデモンストレーションからマイルストーンライブラリを構築し、構造化されたエクスペリエンスの再利用を可能にします。 実行フェーズでは、過去のマイルストーンからの軌道セグメントを動的に適応してステップワイズヒントを生成する。
  論文  参考訳（メタデータ） (2025-08-26T14:37:48Z)
• CausalPlan: Empowering Efficient LLM Multi-Agent Collaboration Through Causality-Driven Planning [25.322580535468013]
  CausalPlanは、明示的な構造因果推論を大規模言語モデル(LLM)計画プロセスに統合するフレームワークである。 我々は,5つのマルチエージェント調整タスクと4つのLLMの異なるサイズで,Overcooked-AIベンチマークでCausalPlanを評価した。 その結果、CausalPlanは不適切なアクションを一貫して削減し、AI-AIとヒューマン-AI設定の両方でのコラボレーションを改善していることがわかった。
  論文  参考訳（メタデータ） (2025-08-19T10:37:20Z)
• Decompose, Plan in Parallel, and Merge: A Novel Paradigm for Large Language Models based Planning with Multiple Constraints [31.631832677979826]
  本稿では,並列計画パラダイムを提案し,並列におけるサブタスク計画とマージを最終計画(DPPM)に分割する。 具体的には、制約に基づいて複雑なタスクをサブタスクに分解し、各サブタスクのサブプランを並列に生成し、それらをグローバルプランにマージする。 実験の結果,DPPMは旅行計画タスクにおいて既存の手法よりも有意に優れていた。
  論文  参考訳（メタデータ） (2025-06-03T09:33:13Z)
• HyperTree Planning: Enhancing LLM Reasoning via Hierarchical Thinking [109.09735490692202]
  提案するHyperTree Planning(HTP)は,高木構造プランニングアウトラインを構成する新しい推論パラダイムである。 実験ではHTPの有効性を実証し、Gemini-1.5-ProによるTravelPlannerベンチマークで最先端の精度を実現し、o1-previewよりも3.6倍の性能向上を実現した。
  論文  参考訳（メタデータ） (2025-05-05T02:38:58Z)
• Tree-Planner: Efficient Close-loop Task Planning with Large Language Models [63.06270302774049]
  Tree-Plannerは、大きな言語モデルでタスクプランニングを3つの異なるフェーズに再構成する。 Tree-Plannerは高い効率を維持しながら最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2023-10-12T17:59:50Z)
• AdaPlanner: Adaptive Planning from Feedback with Language Models [56.367020818139665]
  大規模言語モデル(LLM)は、最近、シーケンシャルな意思決定タスクの自律的エージェントとして機能する可能性を実証している。 本研究では,LLMエージェントが環境フィードバックに応じて自己生成計画を適応的に改善することのできるクローズドループアプローチであるAdaPlannerを提案する。 幻覚を緩和するために,様々なタスク,環境,エージェント機能にまたがる計画生成を容易にするコードスタイルのLCMプロンプト構造を開発した。
  論文  参考訳（メタデータ） (2023-05-26T05:52:27Z)

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。