論文の概要: LeanPlan: Optimal Planning with LLM-Generated Heuristics and Admissibility Proofs

• arxiv url: http://arxiv.org/abs/2610.08246v1
• Date: Tue, 06 Oct 2026 12:27:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:29.980699
• Title: LeanPlan: Optimal Planning with LLM-Generated Heuristics and Admissibility Proofs
• Title（参考訳）: LeanPlan: LLM生成ヒューリスティックと適応性証明による最適計画
• Abstract要約: 大規模言語モデル(LLM)は、どんな計画でも許容できる計画を立てる際に、最先端のパフォーマンスを達成するための関数を生成することができる。 LeanPlanは,機械チェックが可能なLCM生成システムで最適な計画を立てる最初の計画システムである。 私たちは、Frontier International Planning Competitionと3つの新しいドメインから10のドメインでLeanPlanを評価し、トレーニングタスクの57倍のオブジェクトを持つテストタスクを使用します。
• 参考スコア（独自算出の注目度）: 10.758601589444604
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Frontier large language models (LLMs) can generate heuristic functions that guide search to achieve state-of-the-art performance in satisficing planning, where any plan is acceptable. However, these heuristics are not guaranteed to be admissible and can lead to suboptimal plans. We introduce LeanPlan, the first planning system that finds optimal plans with LLM-generated heuristics whose admissibility is machine-checked. Given a domain description and training tasks, an agentic loop uses planner feedback to iteratively improve a reusable domain-specific heuristic, its admissibility proof and the required domain assumptions. LeanPlan implements the heuristic, its proof and an efficient planner with machine-checked grounding and search in Lean 4. We evaluate LeanPlan on ten domains from the International Planning Competition and three new domains, using test tasks with up to 57 times as many objects as the training tasks. With GPT-5.6 Sol in the agentic loop, we successfully generate heuristics and admissibility proofs for all these domains. With the resulting heuristics, LeanPlan usually expands fewer states than the state-of-the-art Scorpion planner and solves more tasks overall.
• Abstract（参考訳）: 最前線の大規模言語モデル (LLMs) は、任意の計画が受け入れられる満足な計画において、最先端の性能を達成するために探索を誘導するヒューリスティック関数を生成することができる。 しかしながら、これらのヒューリスティックは許容可能であることが保証されておらず、最適以下の計画につながる可能性がある。 本稿では,LLM生成ヒューリスティックによる最適計画を見つける最初の計画システムであるLeanPlanを紹介する。 ドメイン記述とトレーニングタスクが与えられた場合、エージェントループはプランナーフィードバックを使用して再利用可能なドメイン固有ヒューリスティック、許容可能性証明、必要なドメイン仮定を反復的に改善する。 LeanPlanは、このヒューリスティックな、その証明と、マシンチェックによる基底と探索を備えた効率的なプランナーをLean 4.0で実装している。 トレーニングタスクの最大57倍のオブジェクトを持つテストタスクを使用して、国際計画コンペティションと3つの新しいドメインから10のドメインでLeanPlanを評価しました。 GPT-5.6 Solをエージェントループに配置することにより、これらの領域すべてに対するヒューリスティックスと許容性証明をうまく生成する。 結果として得られたヒューリスティックスによって、LeanPlanは通常、最先端のScorpionプランナよりも少ないステートを拡張し、全体的なタスクを解決します。

関連論文リスト

• Provably Complete Generalized Planning with LLMs [51.68151545319816]
  汎用プランニングは、計画ドメインのすべてのインスタンスを解決する計画を計算することを目的としている。 最近の研究では、そのような一般化された計画の自動生成とデバッグにLLMを使用している。 リーンにおける一般化計画の自動生成と,その相対的完全性を証明するためのアプローチを提案する。
  論文  参考訳（メタデータ） (2026-09-22T22:02:16Z)
• Classical Planning with LLM-Generated Heuristics: Challenging the State of the Art with Python Code [6.88204255655161]
  大規模言語モデル(LLM)は、計画タスクの詳細な定義を伴っても、確実に計画に失敗する。 サイズが大きくなるような配布外タスクであっても、LCMを使って正確な計画を生成する方法を示す。
  論文  参考訳（メタデータ） (2025-03-24T15:50:20Z)
• LLM-Generated Heuristics for AI Planning: Do We Even Need Domain-Independence Anymore? [87.71321254733384]
  大規模言語モデル(LLM)は、特定の計画問題に適した計画手法を生成することができる。 LLMは、いくつかの標準IPCドメインで最先端のパフォーマンスを達成することができる。 これらの結果がパラダイムシフトを意味するのか、既存の計画手法をどのように補完するかについて議論する。
  論文  参考訳（メタデータ） (2025-01-30T22:21:12Z)
• 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)
• SayCanPay: Heuristic Planning with Large Language Models using Learnable Domain Knowledge [14.024233628092167]
  大規模言語モデル(LLM)は、その膨大な「世界知識」により、優れた計画能力を示した。 しかし、近年の進歩にもかかわらず、実現可能な(手頃な)プランと費用対効果(プラン長)の両方のプランの獲得は依然として課題である。 これは、ドメイン知識(PDDLのようなアクションモデルで形式化された)と検索を使って実現可能な最適な計画を生成する計画手法とは対照的である。
  論文  参考訳（メタデータ） (2023-08-24T09:47:28Z)
• 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)
• On the Planning Abilities of Large Language Models : A Critical Investigation [34.262740442260515]
  我々は,LLMがコモンセンス計画タスクにおいて自律的に計画を作成する上での有効性を評価する。 LLM-Modulo設定では、LLM生成したプランは、基礎となる音響プランナの探索プロセスを改善することができることを示す。
  論文  参考訳（メタデータ） (2023-05-25T06:32:23Z)
• PlanBench: An Extensible Benchmark for Evaluating Large Language Models on Planning and Reasoning about Change [34.93870615625937]
  PlanBenchは、自動計画コミュニティで使用されるドメインの種類に基づいたベンチマークスイートである。 PlanBenchはタスクドメインと特定の計画機能の両方に十分な多様性を提供します。
  論文  参考訳（メタデータ） (2022-06-21T16:15:27Z)

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。