論文の概要: Kairos: Semantics-Aware Orchestration of Planning Engines across Classical, Numeric, Temporal and Hybrid PDDL

• arxiv url: http://arxiv.org/abs/2610.39454v1
• Date: Thu, 29 Oct 2026 06:25:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-01 01:32:10.051524
• Title: Kairos: Semantics-Aware Orchestration of Planning Engines across Classical, Numeric, Temporal and Hybrid PDDL
• Title（参考訳）: Kairos: 古典的, 数値的, テンポラル, ハイブリッドPDDLにまたがる計画エンジンのセマンティックス
• Abstract要約: 実行時のプランニングには,ユーザが記述したPDDLを読み込むプランナが必要だ。 特別なプランナはPDDLの個々のフラグメントに強いが、カバレッジ、レイテンシ、障害の意味が異なる。 各タスクのセマンティクスから異種エンジンを選択することで、PDDLを広範囲にカバー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）: 0.5671273650495268
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Planning at run time, as in robots that re-plan while they act, needs a planner that reads the PDDL its users write (durative actions, numeric resources, time windows, continuous change), answers quickly, and delivers only validated plans. Specialised planners are strong on individual fragments of PDDL, but they differ in coverage, latency and in what their failures mean. We study whether selecting heterogeneous engines from the semantics of each task can give broad coverage of PDDL, from STRIPS to PDDL+, while remaining competitive with specialised planners and making explicit what each answer guarantees. Kairos profiles each task to decide which of five engines apply (ground heuristic search, compressed and snap-action temporal search, time steps for hybrid dynamics, lifted search) and schedules them under one budget of time and memory. Every candidate plan is checked by a validator independent of the planner's transformations, and "unsolvable" is reported only when a search whose exhaustion is a proof exhausts its space. On 1,756 tasks from nine comparative suites, Kairos solves more tasks at the full limits than the strongest evaluated planner of each suite, with the largest differences on numeric, temporal, PDDL3 and PDDL+ planning, and it also solves the most tasks at 100 ms and 1 s. Resampling over domains, the gain is above zero in six of the nine suites, while on classical planning against LAMA it is within the noise. A further 450 feature-oriented tasks and 26 one-feature probes show that Kairos handles all seventeen features probed, where no other planner evaluated handles more than eight. Ablations identify compressed temporal search and the novelty fallback as major contributors, and a comparison with VAL traces every disagreement to a PDDL+ convention or to a documented VAL defect. Planner and benchmark are open source.
• Abstract（参考訳）: 実行時の計画は、動作中に再計画するロボットのように、ユーザが記述するPDDL(数値的なアクション、数値リソース、時間ウィンドウ、継続的な変更)を読み取るプランナーを必要とし、素早く回答し、検証済みの計画のみを提供する。 特別なプランナはPDDLの個々のフラグメントに強いが、カバレッジ、レイテンシ、障害の意味が異なる。 本研究では,各タスクのセマンティクスから異種エンジンを選択することで,STIPSからPDDL+までPDDLを広範囲にカバーできるかどうかを検討した。 カイロスは5つのエンジン(地中ヒューリスティック・サーチ、圧縮およびスナップアクション・テンポラル・サーチ、ハイブリッド・ダイナミクスの時間ステップ、リフトド・サーチ)をそれぞれ決定し、それらを1つの時間とメモリの予算でスケジュールする。 任意の候補プランは、プランナーの変換とは無関係にバリケータによってチェックされ、「解決不可能」は、その空間が枯渇している証拠である探索の場合にのみ報告される。 9つの比較スイートの1,756タスクにおいて、Kairosは、各スイートの最も評価の高いプランナよりも多くのタスクをフルリミットで解決し、数値、時間、PDDL3、PDDL+プランニングで最大の違いがあり、100ミリ秒と1秒のタスクも解決している。 ドメインをサンプリングすると、9つのスイートのうち6つのうち0以上、LAMAに対する古典的な計画ではノイズの範囲内である。 さらに450のフィーチャー指向タスクと26のワンフィーチャープローブは、カイロスが調査対象の17の機能を全て処理していることを示している。 アブレーションは、圧縮された時間探索と新規性のフォールバックを主要なコントリビュータとして特定し、VALとの比較は、PDDL+規約や文書化されたVAL欠陥に対するすべての不一致をトレースする。 Plannerとベンチマークはオープンソースだ。

関連論文リスト

• TempAct: Advancing Temporal Plausibility in Autoregressive Video Generation via Planner-Executor RL [72.7712729541565]
  自己回帰(AR)ビデオ拡散モデルにより、ビデオチャンクをキャッシュされたビジュアルコンテキストでチャンクで合成することで、低レイテンシなストリーミング生成を可能にする。 1つのグローバルプロンプトは、どのサブイベントを各チャンクで実現すべきかを指定しないが、ステップワイズプロンプトにナビゲート的に切り替えると、しばしば遅延反応、ブレンドステップセマンティクス、プロンプト遷移間のエラー伝播につながる。 我々は、時間分解とステップ条件付き実行を協調的に最適化し、時間分解可能なARビデオ生成のためのプランナー-実行型強化学習フレームワークであるTempActでこれらの課題に対処する。
  論文  参考訳（メタデータ） (2026-06-26T12:19:28Z)
• Compiling Temporal Numeric Planning into Discrete PDDL+: Extended Version [58.220343994928776]
  本報告では,Durative Actionを用いた時間計画からPDDL+への実践的なコンパイルについて述べる。 本研究は, 時間的問題に対する実用的妥当性を実験的に明らかにした。
  論文  参考訳（メタデータ） (2026-03-12T17:19:30Z)
• Hierarchical LLM-Based Multi-Agent Framework with Prompt Optimization for Multi-Robot Task Planning [0.9453554184019106]
  マルチロボットタスクプランニングでは、自然言語命令を実行可能なアクションに分解する必要がある。 PDDLプランナーは厳格な保証を提供するが、曖昧な任務や長期の任務を扱うのに苦労する。 高速な最適化が可能な階層型マルチエージェントLSMベースのプランナを提案する。
  論文  参考訳（メタデータ） (2026-02-25T08:08:26Z)
• Programming over Thinking: Efficient and Robust Multi-Constraint Planning [54.77940831026738]
  SCOPEは、クエリ固有の推論をジェネリックコード実行から切り離すフレームワークである。 SCOPEは、コストとレイテンシを下げながら最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-01-14T02:58:07Z)
• An End-to-end Planning Framework with Agentic LLMs and PDDL [9.718390674899771]
  検証者によって支援される計画のためのエンドツーエンドのフレームワークを提案する。 オーケストレータは、自然言語で書かれた人間の仕様を受け取り、PDDLモデルに変換する。 検証済みのドメインと問題は、計画を生成するために外部の計画エンジンに渡される。
  論文  参考訳（メタデータ） (2025-12-10T13:17:08Z)
• Improved Generalized Planning with LLMs through Strategy Refinement and Reflection [58.79806530685551]
  疑似コードの形で戦略を生成する手法を提案する。 我々は、Pythonデバッグフェーズをリフレクションステップで拡張し、LLMが観測された計画失敗の理由を特定できるようにする。 17のベンチマーク領域で実験を行い、これらの拡張によって一般化された計画の品質が大幅に向上することを示した。
  論文  参考訳（メタデータ） (2025-08-19T14:42:18Z)
• TwoStep: Multi-agent Task Planning using Classical Planners and Large Language Models [7.006219157655741]
  大規模言語モデル(LLM)は、アクションシーケンスを組み立てるためにコモンセンス推論を利用することができる。 LLMをベースとした目標分解は,複数エージェントのPDDL問題を直接解決するよりも,計画時間の短縮につながることを示す。 LLMによるサブゴールの近似は、人間の専門家によって特定されたものと類似したマルチエージェント実行長をもたらすことが判明した。
  論文  参考訳（メタデータ） (2024-03-25T22:47:13Z)
• On Solving the Rubik's Cube with Domain-Independent Planners Using Standard Representations [7.470087627607195]
  本稿では,人気のあるPDDL言語における最初のルービックキューブ表現について述べる。 1つの比較実験で、DeepCubeAは様々な複雑さを持つ全ての問題を解き、78.5%しか最適計画ではないことがわかった。 我々の研究は、表現的選択と計画最適性の間のトレードオフに関する貴重な洞察を提供する。
  論文  参考訳（メタデータ） (2023-07-25T14:52:23Z)
• MultiZenoTravel: a Tunable Benchmark for Multi-Objective Planning with Known Pareto Front [71.19090689055054]
  多目的AI計画では、既知のPareto Frontsを示すベンチマークが不足している。 提案するベンチマーク生成器と専用ソルバは、結果のインスタンスの真のParetoを確実に計算する。 本稿では,制約された問題に対して最適な計画を示すとともに,制約された問題に対する一般的な問題を減らす方法を示す。
  論文  参考訳（メタデータ） (2023-04-28T07:09:23Z)
• Dynamic Multi-Robot Task Allocation under Uncertainty and Temporal Constraints [52.58352707495122]
  本稿では,不確実性およびマルチエージェント協調の下での逐次意思決定における重要な計算課題を分離するマルチロボット割当アルゴリズムを提案する。 都市におけるマルチアームコンベヤベルトピック・アンド・プレイスとマルチドローン配送ディスパッチの2つの異なる領域における広範囲なシミュレーション結果について検証を行った。
  論文  参考訳（メタデータ） (2020-05-27T01:10:41Z)

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。