論文の概要: Lose the Order, Keep the Hierarchy: Deordering HTN Plans
- arxiv url: http://arxiv.org/abs/2609.03912v1
- Date: Thu, 03 Sep 2026 14:27:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-04 18:28:39.104633
- Title: Lose the Order, Keep the Hierarchy: Deordering HTN Plans
- Title（参考訳）: 秩序を失い、階層を維持する-HTN計画の非秩序化
- Abstract要約: 階層型タスクネットワーク(HTN)計画は,タスク分解に基づく強力な計画形式である。
計画の順序付けは古典的な計画において広く研究されてきたが、HTN設定では未研究のままである。
階層的な分解制約を考慮に入れた手法を拡張して,古典的計画から確立された2つの計画デオーダー手法を適用した。
- 参考スコア（独自算出の注目度）: 0.7773045483342574
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Hierarchical Task Network (HTN) planning is a powerful planning formalism based on task decomposition. Although most of the literature studied plan generation, comparatively less attention has been paid to post-plan optimization. In particular, plan deordering has been extensively studied in classical planning but remains under-researched in the HTN setting. Plan deordering removes unnecessary ordering constraints between actions in a plan whilst keeping the plan valid. In this paper, we adapt two established plan deordering techniques from classical planning by extending the techniques to account for hierarchical decomposition constraints. We evaluate our proposed approaches on the IPC 2023 Partial-Order HTN benchmarks and we compare them against Optiplan, an HTN planner that generates partially ordered plans directly. Our results show a substantial reduction in number of ordering constraints in both our implementations. Although we also observe a reduction in critical path length, the improvements are less pronounced.
- Abstract（参考訳）: 階層型タスクネットワーク(HTN)計画は,タスク分解に基づく強力な計画形式である。
ほとんどの文献は計画生成を研究しているが、計画後の最適化には比較的注意が払われていない。
特に、計画の順序付けは古典的な計画において広く研究されてきたが、HTN設定では未研究のままである。
計画の順序付けは、計画の有効性を保ちながら、計画内のアクション間の不要な順序付けの制約を取り除く。
本稿では,階層的な分解制約を考慮に入れた手法を拡張して,古典的計画から確立された2つの計画デオーダ手法を適用した。
提案手法をIPC 2023 部分順序 HTN ベンチマークで評価し,部分順序計画を直接生成する HTN プランナー Optiplan と比較した。
以上の結果から,両実装の順序制約数は大幅に減少した。
また, 臨界経路長の減少も観察するが, 改善は少ない。
関連論文リスト
- Contrastive Energy Fields for Inference-Time Procedure Planning in Instructional Videos [48.22554718706414]
本研究では,行動条件付き表現空間を表現するための予測器を学習する手続き計画手法CEFITOを提案する。
従来の手法とは異なり、CEFITOは推論時計画において無関係な動作を省略することで、アクション空間を明示的に理由付けている。
論文 参考訳（メタデータ） (2026-08-17T11:56:11Z) - PlanningBench: Generating Scalable and Verifiable Planning Data for Evaluating and Training Large Language Models [52.48858778580074]
計画は大規模言語モデル(LLM)の基本的な機能である
PlanningBenchは、評価とトレーニングの両方のためのスケーラブルで多様な検証可能な計画データを生成するためのフレームワークである。
論文 参考訳（メタデータ） (2026-05-20T08:10:15Z) - 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) - DeepPlanner: Scaling Planning Capability for Deep Research Agents via Advantage Shaping [74.34061104176554]
我々は、ディープリサーチエージェントの計画能力を効果的に向上するエンドツーエンドのRLフレームワークであるDeepPlannerを提案する。
提案手法は,高エントロピートークンの大幅な更新を割り当てるエントロピーに基づく用語を用いてトークンレベルの優位性を形作るとともに,計画集約ロールアウトに対するサンプルレベルの優位性を選択的に向上させる。
論文 参考訳（メタデータ） (2025-10-14T20:47:05Z) - 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) - Improving Plan Execution Flexibility using Block-Substitution [0.0]
AI計画における部分順序プランは、制約の少ない性質のため、実行の柔軟性を促進する。
プランの順序変更は、計画内の不要なアクション順序を削除し、プランの順序変更は、アクション順序の最小化のために任意に修正する。
本研究は,従来の計画整理・順序変更戦略とは対照的に,計画外の行動に代えて計画の柔軟性を向上させる。
論文 参考訳（メタデータ） (2024-06-05T09:30:48Z) - Some Orders Are Important: Partially Preserving Orders in Top-Quality Planning [15.20541905857507]
本稿では,上位品質と非下位品質の計画課題を補間し,その間の順序が重要なアクションのサブセットを指定することを提案する。
我々は,この新たな計算問題に対処するために,部分順序の削減探索プルーニング手法を適用する方法について検討する。
論文 参考訳（メタデータ） (2024-04-01T22:10:12Z) - 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) - 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) - 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。