論文の概要: Hierarchical Task Network planning in the Goal Lifecycle

• arxiv url: http://arxiv.org/abs/2610.34668v1
• Date: Mon, 26 Oct 2026 01:01:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.659591
• Title: Hierarchical Task Network planning in the Goal Lifecycle
• Title（参考訳）: ゴールライフサイクルにおける階層型タスクネットワーク計画
• Abstract要約: ゴール推論(Goal reasoning, GR)とは、知的エージェントが追求している目標を継続的に判断するプロセスである。 本稿では,階層型タスクネットワーク(HTN)がゴールライフサイクルの一様実装を実現することができるかどうかを検討する。
• 参考スコア（独自算出の注目度）: 0.1274452325287335
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Goal reasoning (GR) is the process by which intelligent agents continually reason about the goals they are pursuing, which may lead to goal change, for instance when opportunities arise, or when events cause discrepancies among expected and actual outcomes of actions planned to achieve goals. In this paper we investigate whether Hierarchical Task Network (HTN) planning can provide a uniform implementation of the Goal Lifecycle, a flexible process model for goal reasoning in dynamic environments. The Goal Lifecycle progressively refines goals by adding constraints to them through a series of strategies (e.g., {\it formulate, select, expand}) and uses other strategies (e.g., {\it defer, re-expand, repair}) to resolve the current goal when an event impacts it. We present a novel GR agent architecture that employs HTN planning in this Goal Lifecycle. In addition to using HTN planning for the \textit{expand} and \textit{re-expand} strategies, as is frequently done in GR and planning research, we also use it in the \textit{formulate} strategy, to obtain a uniform planning approach that provides several benefits (e.g., the possibility to formulate new goals in view of achieving higher level overarching goals). We also explain how we use an enhanced HTN action representation to process discrepancies among expected and actual action outcomes that can trigger the transition from one goal to another. Finally, we empirically demonstrate that our GR architecture enables simulated autonomous vehicles to adaptively conduct missions in dynamic environments.
• Abstract（参考訳）: 目標推論(英: Goal reasoning, GR)とは、知的エージェントが追求している目標を継続的に判断するプロセスであり、例えば、機会が生じたり、事象が目標を達成するために計画された行動の期待と実際の結果に相違が生じたりする場合など、目標変更につながる可能性がある。 本稿では,階層型タスクネットワーク(HTN)計画が,動的環境におけるゴール推論のための柔軟なプロセスモデルであるゴールライフサイクルの一様実装を実現することができるかどうかを検討する。 ゴールライフサイクルは、一連の戦略(例 , {\it formulate, select, expand})を通じて制約を加えることで、目標を徐々に洗練し、イベントがそれに影響を与える際の現在の目標を解決するために他の戦略(例 , {\it defer, re-expand, repair})を使用する。 本稿では,このゴールライフサイクルにHTN計画を採用した新しいGRエージェントアーキテクチャを提案する。 HTN プランニングを GR や計画研究で頻繁に行われているように,HTN プランニングを \textit{expand} 戦略や \textit{re-expand} 戦略に使用することに加えて,いくつかのメリット(例えば,より高いレベルのオーバヘッド目標を達成するために新たな目標を定式化できる可能性)を提供する統一的な計画手法を得るために,HTN プランニングを \textit{formulate} 戦略にも活用する。 また、拡張されたHTNアクション表現を用いて、期待と実際のアクション結果の相違を処理し、ある目標から別の目標への遷移を誘発する方法について説明する。 最後に、私たちのGRアーキテクチャにより、シミュレーションされた自動運転車が動的環境におけるミッションを適応的に実行できることを実証的に実証する。

関連論文リスト

• Subgoal Graph-Augmented Planning for LLM-Guided Open-World Reinforcement Learning [0.0]
  大規模言語モデル(LLM)は強化学習に強力な高レベル計画機能を提供する。 LLMは、セマンティックに妥当なサブゴールを生成するが、ターゲット環境では不可能または無関係である。 LLMの計画は自己検証と融合し、自信過剰で信頼性の低いサブゴールとなる。
  論文  参考訳（メタデータ） (2025-11-26T02:49:44Z)
• Context Matters! Relaxing Goals with LLMs for Feasible 3D Scene Planning [1.5391321019692432]
  身体的エージェントは、現実の複雑な3D環境で確実に計画し、行動する必要がある。 我々は、LLM(Large Language Models)と古典的なプランニングを融合するフレームワークであるContextMattersを紹介します。 実験の結果,LLMs+PDDLベースラインよりも52.45%成功率が向上した。
  論文  参考訳（メタデータ） (2025-06-18T19:14:56Z)
• AgentGen: Enhancing Planning Abilities for Large Language Model based Agent via Environment and Task Generation [81.32722475387364]
  大規模言語モデルに基づくエージェントが注目され、ますます人気が高まっている。 計画能力は LLM ベースのエージェントの重要な構成要素であり、通常は初期状態から望ましい目標を達成する必要がある。 近年の研究では、専門家レベルの軌跡を指導訓練用LLMに活用することで、効果的に計画能力を向上させることが示されている。
  論文  参考訳（メタデータ） (2024-08-01T17:59:46Z)
• Imitating Graph-Based Planning with Goal-Conditioned Policies [72.61631088613048]
  本稿では,目標目標条件ポリシにサブゴール条件ポリシを蒸留する自己シミュレーション方式を提案する。 提案手法は,既存の目標条件付きRL手法のサンプル効率を大幅に向上させることができることを実証的に示す。
  論文  参考訳（メタデータ） (2023-03-20T14:51:10Z)
• Discrete Factorial Representations as an Abstraction for Goal Conditioned Reinforcement Learning [99.38163119531745]
  離散化ボトルネックを適用することにより,目標条件付きRLセットアップの性能が向上することを示す。 分布外目標に対する期待した回帰を実験的に証明し、同時に表現的な構造で目標を指定できるようにします。
  論文  参考訳（メタデータ） (2022-11-01T03:31:43Z)
• Planning to Practice: Efficient Online Fine-Tuning by Composing Goals in Latent Space [76.46113138484947]
  汎用ロボットは、現実世界の非構造環境において困難なタスクを完了するために、多様な行動レパートリーを必要とする。 この問題に対処するため、目標条件強化学習は、コマンド上の幅広いタスクの目標に到達可能なポリシーを取得することを目的としている。 本研究では,長期的課題に対する目標条件付き政策を実践的に訓練する手法であるPlanning to Practiceを提案する。
  論文  参考訳（メタデータ） (2022-05-17T06:58:17Z)

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。