Integrating Planning and Execution in Stochastic Domains
University of British Columbia(不列颠哥伦比亚大学)
我们调查规划在时间关键域表示为马尔可夫决策过程,搜索为基础的技术可以是一个非常强大的方法,找到接近最优的计划。为了降低这些领域规划的计算成本,我们在构建计划时执行操作,并通过搜索到固定深度并使用启发式函数来估计状态值来牺牲最优性。虽然本文集中在搜索算法,我们也讨论了构造适合这种方法的启发式函数的方法。我们的研究结果表明,通过交错搜索和执行,可以找到接近最优的政策,而不需要其他方法的计算要求。
2013-02-27 cs.AI
Landmark-Based Approaches for Goal Recognition as Planning
Pontifical Catholic University of Rio Grande do Sul(南里奥格兰德天主教大学);University of Aberdeen(阿伯丁大学)
通过使用自动规划技术,可以有效地完成从缺失和完整的观察中识别目标和计划的任务。在许多应用中,不仅要准确而且要快速地识别目标和计划。为了应对这一挑战,我们开发了新的目标识别方法的基础上规划技术,依赖于规划地标。在自动规划中,地标是实现目标时无法避免的属性(或动作)。我们展示了一些规划技术的适用性,重点是目标和计划识别任务的地标在两种设置:(1)我们使用地标的概念来开发目标识别算法;(2)我们开发了一种基于地标的过滤方法来改进现有的基于规划的目标和计划识别方法。这些识别方法在几个经典的规划领域的实验经验评估。我们表明,我们的目标识别方法不仅可以获得与其他最先进的技术相当的准确性(通常高于其他最先进的技术),而且比这些技术的识别时间更快。
2019-05-23 cs.AI
A Formal Metareasoning Model of Concurrent Planning and Execution
Ben-Gurion University(本-古里安大学);Technion(以色列理工学院);University of New Hampshire(新罕布什尔大学)
在现实世界中计划和行动的代理人必须处理时间随着他们的计划而流逝的事实。当时间紧迫时,可能没有足够的时间在采取行动之前完成对计划的搜索。通过在搜索结束之前开始执行,通过使规划和执行并发来获得搜索时间。然而,这会带来做出不正确的行动选择的风险,特别是如果行动是不可逆转的。这种机会和风险之间的权衡是本文所要解决的问题。我们的主要贡献是正式定义为一个抽象的元推理问题的设置。我们发现抽象的问题是难以解决的。然而,我们确定的特殊情况下,可解决的多项式时间,开发贪婪的解决方案的算法,并通过测试的实例搜索问题,找到几种方法,实现有前途的实际性能。这项工作为一个有原则的时间意识的执行者同时计划和执行奠定了基础。
2023-03-05 cs.AI
Partial-Order, Partially-Seen Observations of Fluents or Actions for Plan Recognition as Planning
School of Computing(计算学院);Entertainment Arts and Engineering Program(娱乐艺术与工程系);University of Utah(犹他大学)
这项工作的目的是通过调整以前的汇编,使计划识别为规划更适合现实世界的情况下,工作与偏序,半看到两个流利的和行动的观察。我们首先要重新定义观测可以是什么,以及满足每一种观测意味着什么。然后,我们提供了一个汇编从计划识别问题的经典规划问题,类似于原来的工作拉米雷斯和格夫纳,但容纳这些更复杂的观察类型。该编译可以适应于其他基于规划的计划识别技术。最后,我们评估这种方法对“忽略复杂性”的策略,使用原始的方法由拉米雷斯和格夫纳。我们的实验结果表明,虽然速度较慢,但我们的方法与基线方法一样或更准确;我们的技术有时会显着减少计划识别问题的解决方案的大小,即最佳目标集的大小。我们讨论了这些发现的背景下,计划识别问题的难度,并提出了一个途径,为今后的工作。
2019-11-14 cs.AI
Improving Execution Concurrency in Partial-Order Plans via Block-Substitution
本文提出通过块替换优化部分序计划的并发性,通过引入非并发约束条件和资源优化算法,提升计划执行效率。
2026-03-31 cs.AI
GenPlanX. Generation of Plans and Execution
针对经典AI规划技术无法理解自然语言规划任务的问题,本文提出集成LLMs、经典规划引擎及执行监控框架的GenPlanX,可辅助处理办公任务,助力人机协作提升工作效率。
2025-06-12 cs.AI
WinkTPG: An Execution Framework for Multi-Agent Path Finding Using Temporal Reasoning
Robotics Institute, Carnegie Mellon University(卡内基梅隆大学机器人研究所)
本文提出WinkTPG框架,通过时间推理优化多智能体路径规划,生成可行的速度配置并提升解决方案质量,实验证明其在高保真物理模拟和真实机器人中的有效性。
2026-04-26 cs.AI
The Automated Mapping of Plans for Plan Recognition
The University of Michigan(密歇根大学)
为了与环境中的其他代理进行协调,代理需要其他代理正在尝试做什么的模型。当通信是不可能的或昂贵的,这些信息必须通过计划识别间接获取。典型的计划识别方法从其他智能体可能遵循的可能计划的规范开始,并开发特殊的技术来区分各种可能性。也许更可取的是一个统一的程序,将计划映射到支持基于不确定和不完整观察的推理的一般结构。在本文中,我们描述了一套方法,用于将以灵活的过程语言表示的计划转换为以概率信念网络表示的观察模型。
2013-02-27 cs.AI
Probabilistic State-Dependent Grammars for Plan Recognition
Information Sciences Institute(信息科学研究所);Artificial Intelligence Laboratory(人工智能实验室);University of Southern California(南加州大学);University of Michigan(密歇根大学)
不确定性下的计划识别技术需要一个随机模型的计划生成过程。我们引入概率状态依赖文法(PSDGs)来表示代理的计划生成过程。PSDG语言模型扩展了概率上下文无关文法(PCFG),允许生产概率依赖于一个明确的模型规划代理的内部和外部状态。给定计划生成过程的PSDG描述,然后我们可以使用推理算法,利用PSDG语言的特定独立属性来有效地回答计划识别查询。PSDG语言模型和推理算法的组合扩展了计划识别领域的范围,对于该领域,实际的概率推理是可能的,如交通监控和空战中的应用所示。
2013-01-16 cs.AI
Session Analysis using Plan Recognition
Ben-Gurion University of the Negev(内盖夫本-古里安大学);PayPal(贝宝)
本文介绍了我们的工作与一家主要的金融公司,在那里我们试图使用计划识别的方法,以调查客户与公司的在线界面的相互作用的初步结果。在本文中,我们提出了第一步,在现实世界中的应用程序集成的计划识别算法,用于检测和分析客户的相互作用。它使用了一种新的方法来从基本的UI数据中进行计划识别,该方法在最低识别级别上对计划库进行推理,以定义我们领域中动作的相关性,然后使用它来执行计划识别。我们提出了由该公司的领域专家建模的三种不同用例的初步推断结果,并表明这种方法能够减少分析师评估客户会话所需的信息过载-无论这是恶意还是良性会话,预期的任务是否完成,如果没有-下一步预期采取什么行动。
2017-06-20 cs.AI
Sequential Plan Recognition
Ben-Gurion University of the Negev(内盖夫本-古里安大学)
计划识别算法从他们观察到的动作中推断代理的计划。由于对智能体行为和环境的不完全了解,通常情况下,关于智能体的计划有多个假设与观察结果一致,尽管这些假设中只有一个是正确的。本文讨论了如何消除假设之间的歧义的问题,通过询问代理的候选计划是否在一个假设匹配其意图。这个过程是顺序执行的,并用于在识别过程中更新可能的假设集。本文定义了顺序计划识别过程(SPRP),旨在减少使用最少数量的查询的假设的数量。我们提出了一些政策的SPRP使用最大似然和信息增益来选择查询计划。我们表明,这种方法在实践中很好地工作在两个领域的文献,显着减少了假设的数量,使用更少的查询比基线的方法。我们的研究结果可以告知未来的计划识别系统的设计,交错的识别过程与智能干预的用户。
2017-03-03 cs.AI
Landmark-Based Plan Recognition
Pontifical Catholic University of Rio Grande do Sul(南里奥格兰德州天主教大学)
使用行动执行的不完整证据识别目标和计划可以通过使用规划技术有效地完成。在许多应用中,不仅要准确而且要快速地识别目标和计划。在本文中,我们开发了一种启发式的方法来识别计划的基础上规划技术,依赖于排序约束过滤候选目标的观察。这些排序约束在规划文献中被称为地标,它们是实现目标无法避免的事实或行动。我们展示了规划地标在两种环境中的适用性:第一,我们直接使用它来开发一个基于规划的计划识别方法;第二,我们通过预过滤其候选目标来改进现有的基于规划的计划识别方法。我们的实证评估表明,我们的方法不仅在所有可用数据集中比最先进的方法准确得多,而且速度也快了一个数量级。
2017-02-07 cs.AI
Heuristic Online Goal Recognition in Continuous Domains
Bar Ilan University(巴伊兰大学)
目标识别是根据观察到的行为推断智能体的目标的问题。一种鼓舞人心的方法-通过计划识别(PRP)-使用现成的计划器为给定的目标动态生成计划,消除了对传统计划库的需要。然而,现有的PRP制定是内在的在线识别效率低下,不能与连续空间的运动规划器。在本文中,我们利用一个不同的PRP制定,允许在线目标识别,并在连续空间中的应用。我们提出了一个在线识别算法,其中两个启发式决策点可以用来提高运行时间显着超过现有的工作。我们指定的连续域,证明他们的使用保证,并在3D导航环境和合作机器人团队任务的数百个实验经验评估算法。
2017-09-28 cs.AI
SLIM: Semi-Lazy Inference Mechanism for Plan Recognition
Ben-Gurion University of the Negev(内盖夫本-古里安大学)
计划识别算法需要识别一个完整的层次结构,解释代理的行动和目标。虽然这种算法的输出是信息的识别器,其计算的成本是高的运行时间,空间和完整性。此外,在线执行计划识别需要观察代理对尚未看到的未来行动进行推理,并维护一组假设来支持所有可能的选项。本文提出了一种新的有效的在线计划识别算法SLIM(半惰性推理机制)。它结合了自下而上和自上而下的解析过程,允许它只实时提交最少的必要操作,但仍然提供完整的假设事后。我们从理论上和经验表明,虽然这个过程的计算成本仍然是指数级的,有一个显着的改善,在运行时间相比,最先进的计划识别算法。
2017-03-02 cs.AI
An Expressive Language and Efficient Execution System for Software Agents
Fetch Technologies(Fetch科技公司);University of Southern California(南加州大学);Information Sciences Institute(信息科学研究所)
软件代理可以用来自动化许多繁琐,耗时的信息处理任务,人类目前必须手动完成。然而,要做到这一点,代理计划必须能够表示执行这些任务所需的大量操作和控制流。此外,由于这些任务可能需要集成多个远程信息源,通常是一个缓慢的I/O绑定过程?希望使执行尽可能有效。为了解决这两个需求,我们提出了一个灵活的软件代理计划语言和高度并行的执行系统,使高效执行的表达代理计划。计划语言通过提供各种操作符来灵活地处理数据,并支持子计划(用于模块化)和递归(用于不确定循环),从而使复杂任务更容易表达。执行器是基于一个流的执行,以最大限度地提高运算符和数据并行可能在运行时的数量的并行模型。我们已经在一个名为THESEUS的系统中实现了语言和执行器。我们从测试THESEUS的结果表明,流的并行执行可以产生显着的加速比传统的串行(冯诺依曼)以及现有的软件和机器人代理执行系统目前支持的非流的并行风格的执行。此外,我们将展示如何在我们目前的语言编写的计划可以表示某些类型的子任务,不能使用网络查询引擎支持的语言来完成。最后,我们证明了我们的计划语言的表达能力的增加并不妨碍性能;具体来说,我们展示了如何从多个远程源集成数据,就像使用我们的架构一样有效,因为这是一个国家的最先进的流式传输的低网络查询引擎。
2011-09-09 cs.AI
Plan Recognition in Stories and in Life
Brown University(布朗大学)
计划识别在故事和“现实生活”中的工作方式并不相同(人们倾向于在故事中得出结论)。我们提出了一个理论,在故事(或生活中)的对象如何影响计划识别决策的特定情况下。我们提供了一个简单的一阶理论的贝叶斯网络形式化的计划,并显示一个特定的网络参数似乎是如何管理之间的差异“生活般”和“故事般”的反应。然后,我们将展示为什么这个参数会受到影响(在所需的方式)的扬声器(或作者)的主题选择模型,假设故事中的事实通常是“相关的”。
2013-03-27 cs.AI
Execution Flexibility in Automated Planning: A Comparative Evaluation of Deordering and Reordering Strategies
Dhaka University of Engineering & Technology(达卡工程技术大学);University of North Texas(北德克萨斯大学)
本研究比较评估了自动规划中提升执行灵活性的去序与重序策略,发现基于块去序的方法在性能和效率上显著优于MaxSAT方法,因其能改变因果结构并作为任意时间算法始终返回有效结果。
2026-09-16 cs.AI
Accounting for Context in Plan Recognition, with Application to Traffic Monitoring
University of Michigan(密歇根大学)
典型的计划识别方法从代理人的可能计划的表示开始,并从代理人的行动的观察来评估各种候选人的可行性。一个更广泛的观点的任务(与一些以前的工作相一致)占的背景下,计划生成,代理的心理状态和规划过程,以及代理的行动在世界上的后果。我们提出了一个一般的贝叶斯框架,包括这一观点,并专注于如何上下文可以利用计划识别。我们演示的方法上的一个问题,在交通监控,其目标是诱导计划的司机从观察车辆的运动。从一个模型的驱动程序如何生成计划,我们展示了如何高速公路的上下文可以适当地影响识别器的解释所观察到的司机的行为。
2013-02-20 cs.AI
Removing Planner Bias in Goal Recognition Through Multi-Plan Dataset Generation
本文提出通过多计划数据集生成减少规划偏见,引入版本覆盖分数度量目标识别器的鲁棒性。
2026-02-16 cs.AI
A Probabilistic Analysis of Marker-Passing Techniques for Plan-Recognition
Brown University(布朗大学)
无用路径是传号技术的一个长期问题。我们使用的概率分析,以证明一种方法,快速识别和拒绝无用的路径。使用相同的分析,我们确定关键条件和必要的标记传递,以执行良好的假设。
2013-03-20 cs.AI
From Discrete Plans to Real-World Execution: A World-Model-Driven Framework for Execution-Aware Multi-Agent Path Finding
IEEE Publication Technology Group(IEEE出版技术组)
提出ExecTimeNet世界模型预测离散MAPF方案在物理机器人上的执行状态,并基于此构建REMAP框架和ESADG优化方法,在仿真和实物实验中分别减少高达21%和15.3%的执行延迟。
2026-06-23 cs.AI cs.RO
Planning as Goal Recognition: Deriving Heuristics from Intention Models -- Extended Version
本文提出基于分歧的目标意图评估框架,推导出高效可计算的启发式方法,并展示其在经典规划问题求解中的改进效果。
2026-03-24 cs.AI
Towards Robust One-shot Task Execution using Knowledge Graph Embeddings
Georgia Institute of Technology(佐治亚理工学院)
要求对任务计划进行多次演示给机器人的最终用户带来了负担。然而,从单个最终用户演示中稳健地执行任务计划是机器人技术中的一个持续挑战。我们解决的问题,一次性任务执行,其中机器人必须概括一个单一的示范或原型的例子,一个新的执行环境的任务计划。我们的方法将任务计划与领域知识相结合,以推断新的执行环境的任务计划组成部分。我们的实验评估表明,我们的知识表示,使更相关的概括,导致显着更高的成功率超过测试基线。我们在一个物理平台上验证了该方法,这导致初始任务计划成功推广到50个执行环境中的38个,其中包括自主机器人操作造成的错误。
2021-05-10 cs.AI cs.RO
Intelligent Execution through Plan Analysis
Universidad Carlos III de Madrid(马德里卡洛斯三世大学);J.P.Morgan AI Research(摩根大通人工智能研究院);Carnegie Mellon University(卡内基梅隆大学)
本文提出一种通过计划分析识别并存储执行机会的方法,在执行中利用这些机会聚焦感知并修复计划,实验证明其优于标准重新规划策略。
2024-03-18 cs.AI cs.RO
Plan Execution for Multi-Agent Path Finding with Indoor Quadcopters
本文研究了多智能体路径搜索问题的规划和行动阶段。MAPF是一个导航代理从他们的开始位置到指定的个人目标位置,使代理不相互碰撞的问题。具体来说,我们专注于执行MAPF计划与一组Crazyflies,小型室内四轴飞行器。我们展示了如何修改现有的连续时间基于冲突的搜索算法(CCBS),以产生适合于执行的四轴飞行器的计划。行动阶段使用Loco定位系统来检查计划是否正确执行。我们的发现是,CCBS算法允许扩展,可以产生安全的四轴飞行器的计划,即圆柱形保护区周围的每个四轴飞行器可以在规划水平。
2022-07-06 cs.AI cs.RO
DoReMi: Grounding Language Model by Detecting and Recovering from Plan-Execution Misalignment
Institute for Interdisciplinary Information Sciences, Tsinghua University(清华大学交叉信息研究院);Weiyang College, Tsinghua University(清华大学未央学院);Shanghai Qi Zhi Institute(上海期智研究院)
针对机器人任务中LLM生成的高层规划与底层执行易出现偏差的问题,提出DoReMi框架,通过LLM生成规划与约束、VLM持续检测偏差并及时恢复,提升了任务成功率并缩短了完成时间。
2024-09-14 cs.AI cs.RO
VerifyLLM: LLM-Based Pre-Execution Task Plan Verification for Robots
MIPT(莫斯科理工学院);Pyatigorsk State University(皮亚季戈尔斯克州立大学);AIRI(AI研究机构)
针对机器人任务规划可靠性挑战,提出基于LLM的执行前验证架构,通过自然语言转LTL及动作序列分析评估逻辑连贯性,经多复杂度数据集测试适用于家庭任务,提升规划可靠性并开源代码。
2025-07-07 cs.AI cs.RO
Do LLM Agents Execute the Plans They Declare? From Planning-Mode Declaration to Pattern-Specific Execution
ADIA Lab(ADIA实验室);University of Granada(格拉纳达大学);Luxembourg Institute of Science and Technology(卢森堡科学技术研究院);Cornell University(康奈尔大学);Lawrence Berkeley National Laboratory(劳伦斯伯克利国家实验室)
本文提出规划即路由方法,通过声明四种规划模式并分派给模式特定执行器,显著缩小LLM智能体的计划声明-执行差距,提升任务成功率,但模式选择仍待解决。
2026-09-30 cs.AI cs.LG
Plan-Recognition-Driven Attention Modeling for Visual Recognition
Arizona State University(亚利桑那州立大学)
人类对活动或外部代理的视觉识别涉及高级计划识别和低级感知之间的相互作用。鉴于此,一个自然的问题是:低层次的感知是否可以通过高层次的计划识别来改善?我们制定的问题,利用公认的计划,以产生更好的自上而下的注意力地图\cite{gazzaniga2009,baluch2011},以提高感知性能。我们将这些自上而下的注意力地图称为计划识别驱动的注意力地图。为了解决这个问题,我们引入了像素动态网络。像素动态网络作为一个观察模型,它预测对象点在每个像素位置的下一个状态给定的像素和像素级的动作特征的观察。这就像在内部学习像素级动态模型。像素动态网络是一种卷积神经网络(ConvNet),具有特殊的结构。因此,像素动力学网络可以利用ConvNets的并行计算,同时学习像素级动力学模型。进一步证明了像素动态网络作为观测模型与部分可观测马尔可夫决策过程(POMDP)框架中的信念更新之间的等价性。我们在事件识别任务中评估我们的像素动态网络。我们建立了一个事件识别系统,ER-PRN,它采取像素动态网络作为一个子程序,识别事件的基础上增加了计划识别驱动的注意观察。
2021-10-14 cs.AI cs.CV
Overview: A Hierarchical Framework for Plan Generation and Execution in Multi-Robot Systems
University of Southern California(南加州大学)
作者提出了一个概述的分层框架,协调任务和运动级操作的多机器人系统。他们的框架是基于使用简单的时间网络的想法,同时原因的优先/因果约束所需的任务级的协调和简单的时间约束,需要考虑到一些运动学约束的机器人。在计划生成阶段,该框架提供了一个计算可扩展的方法来生成计划,实现高层次的任务组的机器人,并考虑到他们的一些运动约束。在计划执行阶段,该框架提供了一种方法,用于吸收不完美的计划执行,以避免在许多情况下耗时的重新规划。作者使用多机器人路径规划问题作为案例研究,提出了他们的框架背后的多机器人系统的长期自主性的关键思想。
2018-03-30 cs.AI cs.MA cs.RO
Bidirectional Temporal Plan Graph: Enabling Switchable Passing Orders for More Efficient Multi-Agent Path Finding Plan Execution
Carnegie Mellon University(卡内基梅隆大学)
针对多智能体路径规划中时间规划图(TPG)过于严格导致不必要等待的问题,提出双向时间规划图(BTPG)及两种构建算法,允许执行时切换超越顺序,实验证明能减少8-20%的不必要等待。
2024-01-07 cs.AI cs.MA cs.RO
PIVOT: Bridging Planning and Execution in LLM Agents via Trajectory Refinement
PIVOT通过自监督框架迭代优化轨迹,解决LLM代理规划与执行不一致问题,实验证明其在约束满足和计算效率上的优越性。
2026-10-28 cs.AI cs.LG cs.MA
When Planning Fails Despite Correct Execution: On Epistemic Calibration for LLM-Based Multi-Agent Systems
College of Intelligence and Computing, Tianjin University, Tianjin, China(天津大学智能与计算学院);School of New Media and Communication, Tianjin University, Tianjin, China(天津大学新媒体与传播学院);Gaoling School of Artificial Intelligence, Renmin University of China, Beijing, China(中国人民大学北京校区人工智能学院)
针对基于LLM的多智能体系统中因认知误校准导致计划失败的问题,提出认知计划校准代理工作流(EPC-AW),通过信息一致性计划选择和一致性引导的认知状态细化,平均提升系统成功率9.75%。
2026-05-22 cs.AI cs.LG
Auto-MAP: A DQN Framework for Exploring Distributed Execution Plans for DNN Workloads
Alibaba Group(阿里巴巴集团)
在过去的十年中,训练深度神经网络的计算需求不断增长。目前的办法(例如,数据/模型并行性、流水线并行)将训练任务并行化到多个设备上。然而,这些方法总是依赖于特定的深度学习框架,并且需要精心的手动设计,这使得难以在不同类型的模型之间进行维护和共享。在本文中,我们提出了Auto-MAP,一个用于探索DNN工作负载的分布式执行计划的框架,它可以通过深度学习模型的IR级别上的强化学习自动发现快速并行化策略。有效的探索仍然是强化学习的主要挑战。我们利用DQN与特定任务的修剪策略,以帮助有效地探索搜索空间,包括优化的策略。我们的评估表明,Auto-MAP可以在两个小时内找到最佳解决方案,同时在几个NLP和卷积模型上实现更好的吞吐量。
2020-07-08 cs.AI cs.DC
Team Plan Recognition: A Review of the State of the Art
University of Arizona(亚利桑那大学)
本文综述了团队计划识别的最新研究,重点调研了基于计划库和基于领域理论两类基于逻辑的实现方法,旨在呼吁关注该重要主题并激发未来新方向。
2023-01-30 cs.AI cs.MA
From Kinematics to Dynamics: Learning to Refine Hybrid Plans for Physically Feasible Execution
Technion - Israel Institute of Technology(技术学院 - 以色列理工学院)
该研究通过连续空间中的强化学习,解决混合计划在物理可行性执行中的问题,通过引入分析二阶约束的马尔可夫决策过程,改进混合规划器生成的一阶轨迹,从而可靠地恢复物理可行性。
2026-06-04 cs.AI cs.RO
Integration of 3D Object Recognition and Planning for Robotic Manipulation: A Preliminary Report
Sabancı University(萨班哲大学)
我们研究不同的方法来整合对象识别和规划在桌面操作域与2012年RoboCup@Work比赛中使用的一组对象。我们的初步实验结果表明,与一些方法,感知和规划的紧密结合提高了计划的质量,以及可行的计划的计算时间。
2013-07-29 cs.AI cs.CV cs.RO
An Experimental Comparison of Cognitive Forcing Functions for Execution Plans in AI-Assisted Writing: Effects On Trust, Overreliance, and Perceived Critical Thinking
Max Planck Institute for Software Systems(马克斯·普朗克软件系统研究所);Microsoft Research(微软研究院)
本研究通过实验比较不同认知强制函数对AI辅助写作中信任、过度依赖和批判性思维的影响,发现假设类CFF最有效减少过度依赖。
2026-01-25 cs.AI cs.HC
Vote-Tree-Planner: Optimizing Execution Order in LLM-based Task Planning Pipeline via Voting
University of Washington(华盛顿大学)
本文提出 Vote-Tree-Planner,通过投票加权引导规划树遍历,在执行前评估关键路径,从而减少 LLM 重复查询并提升机器人任务规划的成功率、稳定性与目标条件召回率。
2025-02-13 cs.AI cs.RO
CMAX++ : Leveraging Experience in Planning and Execution using Inaccurate Models
Robotics Institute, Carnegie Mellon University(卡内基梅隆大学机器人研究所);Aurora Innovation(奥罗拉创新公司)
由于获得准确的动力学模型,现代规划方法是有效的计算重复机器人任务的可行和最优的计划。然而,在执行之前很难对真实世界的真实动态进行建模,特别是对于需要与参数未知的对象进行交互的任务。最近的规划方法,CMAX,解决了这个问题,通过适应计划在线执行过程中产生的计划偏离不准确的建模区域。CMAX虽然可以证明保证达到目标,但需要对用于规划的模型的准确性进行强有力的假设,并且无法在重复相同任务的情况下提高解决方案的质量。在本文中,我们提出了CMAX++,一种利用现实世界的经验,以提高质量的机器人任务的连续重复产生的计划。CMAX++通过将使用获得的经验的无模型学习与使用可能不准确的模型的基于模型的规划相结合来实现这一点。我们提供可证明的保证CMAX++的完整性和渐近收敛到最优路径成本的重复次数的增加。CMAX++在模拟机器人任务中的表现也优于基线,包括3D移动机器人导航,其中轨道摩擦被错误地建模,以及7D拾取和放置任务,其中物体的质量未知,导致真实和建模动态之间的差异。
2020-10-15 cs.AI cs.LG cs.RO
A Bayesian Model for Plan Recognition in RTS Games applied to StarCraft
LPPA;Collège de France(法兰西公学院);CNRS(法国国家科学研究中心)
钥匙孔(不显眼)计划识别的任务是自适应游戏AI的核心。“科技树”或“建筑树”是即时战略(RTS)游戏战略(长期)规划的核心。本文提出了一个通用的和简单的贝叶斯模型RTS构建树预测噪声观测,其参数是从重放(游戏日志)。这种无监督的机器学习方法涉及游戏开发人员的最小工作,因为它利用了玩家的数据(RTS中的常见技术)。我们将其应用于StarCraft1,并表明它可以产生高质量和强大的预测,可以为自适应AI提供支持。
2011-11-16 cs.AI cs.LG
A Feedback Scheme to Reorder a Multi-Agent Execution Schedule by Persistently Optimizing a Switchable Action Dependency Graph
TU Delft(代尔夫特理工大学);Robert Bosch GmbH(罗伯特·博世有限公司)
在本文中,我们考虑多个自动导引车(AGV)导航一个共同的工作空间,以完成各种内部物流任务,通常制定为多智能体路径查找(MAPF)问题。为了保持计划执行无死锁,一种方法是构造动作依赖图(ADG),该动作依赖图在AGV沿其路线前进时对AGV的顺序进行编码。使用这种方法,延迟的AGV偶尔需要其他人在交叉口等待它们,从而影响计划执行效率。如果工作空间被动态障碍物(如人类或第三方机器人)共享,AGV可能会遇到很大的延迟。一种常见的缓解方法是使用当前延迟的AGV位置重新求解MAPF。然而,解决MAPF是耗时的,使得这种方法效率低下,特别是对于大型AGV团队。在这项工作中,我们提出了一个在线的方法,反复修改一个给定的非循环ADG,以尽量减少每个AGV的路线完成时间。我们的方法始终保持一个非循环的ADG,无死锁计划执行所必需的。我们评估的方法,考虑模拟与随机干扰的执行,并显示更快的路线完成时间相比,基线ADG为基础的执行管理方法。
2020-10-11 cs.AI cs.RO
Multi-Agent Path Finding with Delay Probabilities
University of Southern California(南加州大学)
几个最近开发的多智能体路径查找(MAPF)求解器通过在2个级别上搜索MAPF计划来扩展到大型MAPF实例:高级搜索解决智能体之间的冲突,低级搜索在高级搜索施加的约束下为单个智能体规划路径。我们做了以下贡献,以解决具有小平均完工时间的不完美计划执行的MAPF问题:首先,我们形式化了具有延迟概率的MAPF问题(MAPF-DP),定义了有效的MAPF-DP计划,并提出了对有效的MAPF-DP计划使用鲁棒的计划执行策略来控制每个代理如何沿着其路径进行。我们讨论了两类分散的鲁棒计划执行策略(称为完全同步策略和最小通信策略),它们在有效的MAPF-DP计划的计划执行期间防止冲突。第三,我们提出了一个2级MAPF-DP求解器(称为近似最小化的期望),产生有效的MAPF-DP计划。
2016-12-15 cs.AI cs.MA cs.RO
A Real-Time Rescheduling Algorithm for Multi-robot Plan Execution
Carnegie Mellon University(卡内基梅隆大学);Monash University(蒙纳士大学)
针对多智能体路径寻找中执行延迟引发的重规划问题,提出A*风格的Switchable-Edge Search (SES)算法以寻找最优通过顺序,理论证明其最优性且仿真显示在大型问题上比基线快达4倍。
2024-03-26 cs.AI cs.MA cs.RO