Agentic Planning for Symbolic Execution
Carnegie Mellon University(卡内基梅隆大学)
该研究提出智能体规划系统Agolic,利用早期符号执行运行的证据配置后续有界符号执行,在C/C++程序上平均覆盖3倍以上分支,覆盖更多分支及对比语料库未覆盖的分支,扩展了符号执行的实际覆盖范围。
2026-08-10 cs.AI cs.PL cs.SE
Planning with affordances: Integrating learned affordance models and symbolic planning
Oregon State University(俄勒冈州立大学)
本文提出将学习到的物体可供性模型与符号规划相结合,使智能体在AI2-Thor等环境中无需重新定义动作集合即可规划并执行多步骤操作任务。
2025-02-04 cs.AI cs.RO
From semantics to execution: Integrating action planning with reinforcement learning for robotic causal problem-solving
强化学习是在噪声条件下鲁棒地执行低级别机器人控制的适当且成功的方法。符号行动计划有助于解决因果依赖关系,并将因果关系复杂的问题分解为一系列更简单的高级行动。这两种方法的集成的一个问题是,行动规划是基于离散的高级动作和状态空间,而强化学习通常是由连续的奖励函数驱动。然而,强化学习的最新进展,特别是通用价值函数逼近器和事后经验重放,都集中在基于稀疏奖励的目标无关方法上。在本文中,我们建立在这些新方法的基础上,通过利用奖励稀疏性作为高级和低级状态和控制空间之间的桥梁,促进行动规划与强化学习的集成。因此,我们证明了集成的神经符号的方法是能够解决对象操作问题,涉及工具使用和非平凡的因果依赖关系在嘈杂的条件下,利用数据和知识。
2019-12-08 cs.AI cs.LG cs.RO
PO-PDDL: Learning Symbolic POMDPs from Visual Demonstrations for Robot Planning Under Uncertainty
Shanghai Jiao Tong University(上海交通大学);Shanghai Innovation Institute(上海创新研究院)
提出PO-PDDL符号化POMDP框架,通过从机器人执行视频中重建潜在状态轨迹、识别部分可观测性并学习随机转移与观测模型,实现不确定性下的鲁棒任务规划。
2026-08-21 cs.AI cs.RO
Integrating Symbolic RL Planning into a BDI-based Autonomous UAV Framework: System Integration and SIL Validation
本研究提出AMAD-SRL框架,整合符号RL与BDI方法,通过SIL验证提升无人机任务效率75%。
2026-01-11 cs.AI cs.RO
Lookahead-R: Budget-Aware Tool Retrieval via Execution-Centric Planning
Beijing University of Posts and Telecommunications(北京邮电大学)
针对工具检索中语义与执行验证的权衡,提出基于规划的Lookahead-R框架,利用执行感知世界模型和成本敏感MCTS,在ToolBench上实现91.40%的NDCG@5,优于现有方法。
2026-09-30 cs.AI cs.CL cs.SE
STAIR: Effective Incident Response Using an End-to-End Agentic Planning Framework
Peking University(北京大学);Southeast University(东南大学);Huawei Technologies Co., Ltd.(华为技术有限公司)
针对事件响应规划的静态工作流和现有LLM智能体的不足,提出端到端智能体规划框架STAIR,在100个Docker网络靶场中实现0.94标准化防御得分,较最强基线提升9.5%。
2026-10-12 cs.AI cs.CR
Strict Subgoal Execution: Reliable Long-Horizon Planning in Hierarchical Reinforcement Learning
Graduate School of Artificial Intelligence(人工智能研究生院);Ulsan National Institute of Science and Technology (UNIST)(釜山国立科学与技术研究所);Ulsan, South Korea(韩国釜山)
本文提出严格子目标执行(SSE)框架,通过前沿经验回放(FER)分离不可达与可接受的子目标,提高高层决策效率,从而在长horizon任务中实现更可靠的规划。
2026-05-20 cs.AI cs.LG
Integrating Task-Motion Planning with Reinforcement Learning for Robust Decision Making in Mobile Robots
UT-Austin(德克萨斯大学奥斯汀分校);Maana Inc.(Maana公司);SUNY-Binghamton(纽约州立大学宾汉姆顿分校)
任务-运动规划(TMP)解决了在离散空间中有效地生成可执行的和低成本的任务规划的问题,使得(初始未知的)动作成本由相应连续空间中的运动规划确定。然而,任务运动计划可能对意外的领域不确定性和变化敏感,导致次优行为或执行失败。本文提出了一个新的框架TMP-RL,它是TMP和强化学习(RL)的集成,从执行经验出发,解决动态和不确定域中的鲁棒任务-运动规划问题。TMP-RL具有两个嵌套的规划学习循环。在内部TMP循环中,机器人通过在离散空间中迭代规划并更新由运动规划器在连续空间中评估的相关动作成本来生成低成本、可行的任务运动规划。在外部循环中,执行计划,机器人通过无模型RL从执行经验中学习,以进一步改进其任务运动计划。外部循环中的RL对当前域更准确,但也更昂贵,并且使用成本更低的任务和运动规划导致在现实世界中学习的跳跃式启动。我们的方法进行评估的移动服务机器人在办公区进行导航任务。结果表明,TMP-RL方法显着提高了适应性和鲁棒性(与TMP方法相比),并导致快速收敛(与任务规划(TP)-RL方法相比)。我们还表明,TMP-RL可以重用学习的值,以便在长期部署过程中顺利适应新的场景。
2018-11-21 cs.AI cs.LG cs.RO
Deep Dyna-Q: Integrating Planning for Task-Completion Dialogue Policy Learning
Microsoft Research(微软研究院);The Chinese University of Hong Kong(香港中文大学);National Taiwan University(台湾大学)
通过强化学习(RL)训练任务完成对话代理是昂贵的,因为它需要与真实用户进行许多交互。一种常见的替代方法是使用用户模拟器。然而,用户模拟器通常缺乏人类对话者的语言复杂性,并且其设计中的偏见可能会降低代理。为了解决这些问题,我们提出了Deep Dyna-Q,据我们所知,它是第一个集成了任务完成对话策略学习规划的深度RL框架。我们纳入对话代理的环境模型,称为世界模型,模仿真实的用户响应,并产生模拟的经验。在对话策略学习过程中,世界模型不断更新真实的用户体验,以接近真实的用户行为,反过来,对话代理使用真实的经验和模拟的经验进行优化。我们的方法的有效性证明了在模拟和人在循环设置的电影票预订任务。
2018-05-23 cs.AI cs.CL cs.LG
TAPE: Tool-Guided Adaptive Planning and Constrained Execution in Language Model Agents
TAPE通过工具引导的自适应规划与约束执行方法,提升语言模型代理在复杂任务中的成功率,特别是在困难设置中表现显著优于现有框架。
2026-02-23 cs.AI
Supply Restoration in Power Distribution Systems - A Case Study in Integrating Model-Based Diagnosis and Repair Planning
IRISA;EDF-DER(法国电力公司研发部)
当获得足够的信息来区分几个候选诊断需要执行一些修复操作时,集成诊断和修复特别重要。一个典型的例子是故障配电系统中的供电恢复。这个问题,这是一个主要关注的电力分销商,部分可观测性和随机维修行动,这是更复杂的比简单的更换组件的功能。本文分析了应用现有的工作,整合基于模型的诊断和修复和规划在部分可观察的随机域这个现实世界中的问题的困难,并介绍了务实的方法,我们至今保留。
2013-02-13 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
Towards Efficient Anytime Computation and Execution of Decoupled Robustness Envelopes for Temporal Plans
University of Strathclyde(思克莱德大学);Fondazione Bruno Kessler(布鲁诺·凯斯勒基金会);King’s College London(伦敦国王学院)
基于模型的规划和调度在实际应用中的就业的主要限制之一是昂贵的重新规划时,所观察到的现实和正式模型之间的不一致,在执行过程中遇到的需要。鲁棒性包络表征了一组可能的突发事件,计划能够在不重新规划的情况下解决这些突发事件,但它们的精确计算是非常昂贵的;此外,一般的鲁棒性包络不适合有效执行。在本文中,我们提出了一种新的,随时算法来近似鲁棒性包络,使他们的可扩展性和可执行性。这是证明了一个实验分析表明该算法的效率,并通过一个具体的案例研究,其中执行的鲁棒性信封显着减少了重新规划的数量。
2019-11-17 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
Planning and Acting While the Clock Ticks
Technion(以色列理工学院);Ben-Gurion University(本-古里安大学);University of New Hampshire(新罕布什尔大学)
针对时间紧迫无法先完成规划再执行的问题,提出并发规划与执行新设置,支持在规划终止前调度动作并处理挂钟截止时间,扩展元推理开发新算法,在强时间压力下优于情境时序规划。
2024-03-21 cs.AI
Timeline-based Planning and Execution with Uncertainty: Theory, Modeling Methodologies and Practice
自动规划是人工智能自诞生以来的主要研究领域之一。自动规划研究旨在开发通用推理机(即,能够自动解决复杂问题。一般来说,规划者依赖于一个概括性的模型,它描述了世界的可能状态以及为了改变世界的状态而可以采取的行动。给定一个模型和一个已知的初始状态,规划者的目标是综合一组实现特定目标状态所需的行动。传统的规划方法大致与上面的描述相对应。基于时间线的方法是一种特殊的规划范式,能够在一个统一的解决过程中整合因果和时间推理。这种方法已成功地应用于许多现实世界的情况下,虽然相关的规划概念缺乏一个共同的解释。事实上,应用该技术的现有框架之间存在显着差异。每个框架都依赖于自己对基于时间表的规划的解释,因此不容易比较这些系统。因此,这项工作的目的是调查的时间线为基础的方法来规划解决几个方面,从语义的相关规划概念的建模和求解技术。具体而言,这项博士工作的主要贡献包括:(i)能够处理时间不确定性的基于时间线的方法的正式表征的建议;(ii)分层建模和求解方法的建议;(iii)开发用于计划和执行的通用框架;(iv)在现实世界的制造场景中验证这种方法。
2019-05-14 cs.AI
Integrating Large Language Models with Network Optimization for Interactive and Explainable Supply Chain Planning: A Real-World Case Study
本文提出融合网络优化与LLM的供应链规划框架,利用AI智能体、API和动态界面生成可解释的角色化决策支持,并通过案例验证其降本、防缺货与保服务水平的效果。
2025-08-29 cs.AI
Integrating AI Planning Semantics into SysML System Models for Automated PDDL File Generation
Institute of Automation Technology(自动化技术研究所);Helmut Schmidt University(海姆·施密特大学);Ruhr University(鲁尔大学)
本文提出一种SysML配置档,将PDDL规划语义及OCL约束嵌入系统模型,并通过飞机制造机器人案例验证其可自动生成PDDL领域与问题文件。
2025-06-07 cs.AI
BEAP-Agent: Backtrackable Execution and Adaptive Planning for GUI Agents
Guangdong Laboratory of Artificial Intelligence(广东人工智能实验室);Shenzhen University(深圳大学);Guangdong University of Technology(广东工业大学)
BEAP-Agent通过可回溯执行和自适应规划机制,提升GUI代理在复杂任务探索中的准确性和鲁棒性。
2026-01-29 cs.AI
Intention-Net: Integrating Planning and Deep Learning for Goal-Directed Autonomous Navigation
National University of Singapore(新加坡国立大学);Panasonic R&D Center Singapore(松下新加坡研发中心)
送货机器人如何在最少的先验信息的情况下可靠地导航到新办公楼的目的地?为了应对这一挑战,本文介绍了一种两级分层方法,该方法集成了无模型深度学习和基于模型的路径规划。在低层,神经网络运动控制器(称为意图网络)经过端到端训练,以提供强大的本地导航。意图网络将来自单个单目摄像机的图像和“意图”直接映射到机器人控制。在高级,路径规划器使用粗略的地图,例如,一个二维平面图,用来计算从机器人当前位置到目标的路径。计划路径为意图网提供意图。初步的实验表明,学习的运动控制器是强大的感知不确定性和集成的路径规划,它有效地推广到新的环境和目标。
2017-10-17 cs.AI
Integrating cognitive map learning and active inference for planning in ambiguous environments
Ghent University(根特大学);imec(比利时微电子研究中心);VERSES Research Lab(VERSES研究实验室);National Research Council(国家研究委员会)
本文将克隆结构认知图(CSCG)模型与主动推理智能体结合,用于不确定性空间导航;三类场景实验表明,该方法在位置观测模糊时比朴素克隆图智能体规划更有效。
2023-08-16 cs.AI
Logical Regression for Planning with Axioms
研究含公理领域中动作的逻辑回归,提出近似方法,将条件限制在部分状态以避免公理重算。该方法可泛化部分状态,减少执行监控变量,增强执行监控在意外变化环境中的恢复能力。
2026-07-24 cs.AI
The Planning Spectrum - One, Two, Three, Infinity
University of Trento(特伦托大学);Rice University(莱斯大学)
线性时态逻辑(LTL)被广泛用于定义动态系统执行路径上的条件。在允许非确定性演化的动态系统的情况下,我们必须指定满足LTL公式f的路径。两种极端情况是普遍解释A.f和存在解释E.f,前者要求公式对所有执行路径都满足,后者要求公式对某条执行路径都满足.当LTL应用于不确定域规划问题的目标定义时,这两种极端情况限制太多.在系统的所有非确定性演化中,通常不可能制定出实现目标的计划,并且要求通过某些执行来满足目标也太弱了。在本文中,我们将探讨这些极端情况之间的LTL公式的替代解释。我们定义了一种新的语言,它允许A和E量词的任意组合,从而允许,例如,要求每个有限执行可以扩展到满足LTL公式(AE.f)的执行,或者有一些有限执行的扩展都满足LTL公式(EA.f)。我们发现,只有八个这些组合的路径量词是相关的,对应于交替的量词的长度为1(A和E),2(AE和EA),3(AEA和EAE),和无穷大((AE)* 和(EA)*)。我们还提出了一个新的语言,是基于自动机理论的方法的规划算法,并研究其复杂性。
2011-09-28 cs.AI
Planning and Scheduling Business Processes under Control-Flow Uncertainty: Extended Version
Technical University of Munich(慕尼黑工业大学)
针对业务流程中控制流不确定导致调度困难的问题,提出机会约束优化框架,包含分解与集成两种方法,在真实和合成数据上验证了集成方法更优但不可扩展,分解方法可扩展。
2026-09-11 cs.AI
SPIN: Structural LLM Planning via Iterative Navigation for Industrial Tasks
University at Albany(阿尔巴马大学);IBM(国际商业机器公司);Kwansei Gakuin University(关西大学)
SPIN通过结合验证的有向无环图规划与前缀执行控制,减少任务执行次数并提高完成率,适用于工业任务规划。
2026-05-13 cs.AI
Supporting Autonomous Process Execution within a Multi-Perspective Constraint Frame via Numeric Planning
研究在人工智能增强业务流程管理系统中,通过引入新工具,用多视角约束增强流程框架,为部分流程执行推荐最优延续,经实证评估该技术具可扩展性和有效性,能支持自主及约束感知决策。
2026-07-21 cs.AI
Integrating Planning, Execution and Monitoring in the presence of Open World Novelties: Case Study of an Open World Monopoly Solver
Arizona State University(亚利桑那州立大学);Tufts University(塔夫茨大学)
垄断游戏是一个对抗性的多智能体领域,除了成为最后一个玩家的溶剂之外,没有固定的目标,有一些有用的子目标,如垄断属性集,并开发它们。掷骰子、抽牌和对手的策略也有很多随机性。这种不可预测性变得更糟时,未知的新奇添加在游戏过程中。考虑到这些挑战,垄断是DARPA-SAILON计划选择的测试平台之一,该计划旨在创建能够检测和适应新奇事物的代理。为了处理游戏的复杂性,我们开发了一个代理,它避开了完整的计划,并随着游戏的发展在线调整它的策略。在SAILON项目的最新独立评估中,我们的代理在大多数指标上都是表现最好的代理。我们在此介绍我们的方法和结果。
2021-08-09 cs.AI
Task and Motion Planning for Execution in the Real
Rice University(莱斯大学);Australian National University(澳大利亚国立大学)
针对真实环境中知识缺口导致动作难以在规划时完全落实的问题,提出融合离线运动规划与在线闭环行为、并将失败反馈为约束重规划的任务与运动规划框架,真实机器人实验表明其更快、更短且更可靠。
2024-06-13 cs.AI cs.RO
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
EMPOWER: Embodied Multi-role Open-vocabulary Planning with Online Grounding and Execution
University of Basilicata(巴西利卡塔大学);International University of Rome UNINT(罗马UNINT国际大学)
EMPOWER框架利用预训练基础模型和多角色机制,解决机器人在现实环境中开放词汇在线接地与规划问题,在TIAGo机器人上六种场景中平均成功率达0.73。
2024-10-22 cs.AI cs.RO
Parallel Lifted Planning via Semi-Naive Datalog Evaluation
本文提出一种基于半 naive Datalog 评估的并行提升规划方法,通过两级并行性提升规划效率,在多核环境下实现显著加速。
2026-05-08 cs.AI
Parallelized Planning-Acting for Efficient LLM-based Multi-Agent Systems in Minecraft
Zhejiang University(浙江大学);Nanyang Technological University(南洋理工大学);Hangzhou City University(杭州市城市大学);Ningbo Global Innovation Center, Zhejiang University(宁波全球创新中心,浙江大学)
本文提出了一种基于大语言模型的多智能体系统并行规划-行动框架,通过双线程架构实现同时规划和行动,提升Minecraft中动态决策的效率和响应能力。
2026-03-07 cs.AI
Model-Based AI planning and Execution Systems for Robotics
Ben Gurion University of the Negev(内盖夫本-古里安大学)
本文综述了面向机器人任务级控制的基于模型的AI规划与执行系统,梳理现有系统的设计选择、解决方案及未来发展方向。
2025-05-07 cs.AI cs.RO
ConceptAgent: LLM-Driven Precondition Grounding and Tree Search for Robust Task Planning and Execution
JHU(约翰斯·霍普金斯大学);APL(应用物理实验室);MIT(麻省理工学院);DEVCOM ARL(美国DEVCOM陆军研究实验室)
针对开放世界机器人规划中LLM幻觉导致动作执行失败的问题,提出ConceptAgent平台,结合谓词接地与带自反思的LLM引导蒙特卡洛树搜索,仿真实验中任务完成率显著优于现有基线。
2024-10-08 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
Integrating Acting, Planning and Learning in Hierarchical Operational Models
University of Maryland, College Park(马里兰大学帕克分校);LAAS-CNRS(法国国家科学研究中心自动化系统实验室);Fondazione Bruno Kessler(布鲁诺·凯斯勒基金会)
我们提出了新的规划和学习算法的RAE,细化代理引擎。RAE使用分层操作模型在动态变化的环境中执行任务。我们的规划程序,UPOM,在操作模型的空间中进行类似UCT的搜索,以便找到一个接近最佳的方法来用于手头的任务和背景。我们的学习策略获取,从在线表演经验和/或模拟规划结果,从决策上下文映射到方法实例,以及启发式功能,以指导UPOM。我们的实验结果表明,UPOM和我们的学习策略显着提高RAE的性能在四个测试领域使用两个不同的指标:效率和成功率。
2020-03-09 cs.AI cs.LG
A context-aware knowledge acquisition for planning applications using ontologies
Universitat Politècnica de València(瓦伦西亚理工大学)
自动规划技术得到了长足的发展。设计一个规划模型,使自动代理能够在真实的执行环境中智能地对意外事件做出反应,仍然是一个挑战。本文描述了一种域独立的方法,允许代理对其执行环境和任务进行上下文感知,获取保证相关且更重要的是可管理的新信息,并通过使用本体和语义操作将这些信息集成到其模型中,以自主地制定新目标,从而导致在机会的背景下处理意外事件的更像人类的行为。
2019-04-19 cs.AI
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
An enhanced motion planning approach by integrating driving heterogeneity and long-term trajectory prediction for automated driving systems
School of Transportation and Logistics, Southwest Jiaotong University(西南交通大学交通运输与物流学院);University of Central Florida(中佛罗里达大学);Lyles School of Civil Engineering, Purdue University(普渡大学莱尔土木工程学院)
针对复杂环境中自动驾驶系统导航困难的问题,提出一种融合周围人类驾驶车辆驾驶行为与长期轨迹预测的分层模型运动规划方法,以提升高速公路汇入场景下的驾驶安全性。
2023-08-02 cs.AI cs.RO
Integrating Symbolic Execution into the Fine-Tuning of Code-Generating LLMs
TU Darmstadt(图宾根大学)
本文研究利用符号执行增强奖励模型训练数据,并结合强化学习与直接偏好优化微调代码生成大语言模型,在代码质量评估上显著超越CodeRL基线,生成性能与CodeRL相当。
2025-05-05 cs.AI cs.SE
Optimal task and motion planning and execution for human-robot multi-agent systems in dynamic environments
Institute of Intelligent Industrial Technologies and Systems, National Research Council of Italy(意大利国家研究委员会智能工业技术与系统研究所);Institute of Cognitive Sciences and Technologies, National Research Council of Italy(意大利国家研究委员会认知科学与技术研究所);University of Brescia(布雷西亚大学)
本文针对动态环境中人机多智能体系统,提出任务与运动解耦的组合规划框架,通过时间线规划与在线运动规划优化任务排序、分配和执行,在协作制造场景中验证可缩短执行时间并扩展应用范围。
2023-03-27 cs.AI cs.RO
HiRA: A Hierarchical Reasoning Framework for Decoupled Planning and Execution in Deep Search
本文提出分层框架HiRA,将复杂搜索任务的战略规划与专门执行解耦,通过分配子任务给领域特定智能体并结构化整合结果,显著提升了多步信息寻求任务的答案质量与系统效率。
2025-10-31 cs.AI cs.CL cs.IR
Long-Horizon Planning and Execution with Functional Object-Oriented Networks
Brown University(布朗大学);University of Innsbruck(因斯布鲁克大学);TU Wien(维也纳工业大学);German Aerospace Center (DLR)(德国航空航天中心(DLR))
针对 FOON 概念过于抽象、难以直接执行的问题,本文提出将 FOON 自动转换为 PDDL,并结合现成规划器、动作上下文和机器人技能的分层规划框架,在 CoppeliaSim 长程任务中实现可执行规划与场景泛化。
2023-06-02 cs.AI cs.RO
PACE: Adaptive Budget Allocation for Time-Efficient Embodied Planning
PACE框架通过交错式思考-执行架构和动态预算分配器,在Robotouille基准测试中较ReAct+Think基线提升规划成功率,同时大幅减少推理时间,实现具身规划的时间效率与质量同步提升。
2026-08-05 cs.AI cs.RO
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
PDDLStream: Integrating Symbolic Planners and Blackbox Samplers via Optimistic Adaptive Planning
Computer Science and Artificial Intelligence Laboratory(计算机科学与人工智能实验室);Massachusetts Institute of Technology(麻省理工学院)
许多规划应用程序涉及定义在高维连续变量上的复杂关系。例如,机器人操作需要规划涉及机器人配置、对象姿态和机器人轨迹的运动学、碰撞、可见性和运动约束。这些约束通常需要专门的过程来采样满足值。我们扩展PDDL,以支持这些过程的通用,声明性规范,将其实现视为黑盒。我们提供域独立的算法,减少PDDLStream问题的一系列有限的PDDL问题。我们还介绍了一个算法,动态平衡探索新的候选计划和利用现有的。这使得算法能够在参数绑定的空间中进行全局搜索,以更快地解决严格约束的问题,并进行局部优化以产生低成本的解决方案。我们评估我们的算法在三个模拟机器人规划域以及几个现实世界的机器人任务。
2020-03-23 cs.AI cs.RO
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
Integrating AI Planning with Natural Language Processing: A Combination of Explicit and Tacit Knowledge
Sun Yat-sen University(中山大学)
本文首次系统综述AI规划与自然语言处理的深层联系,提出二者通过基于规划的文本理解、NLP、可解释性、人机交互及应用五个方面相互促进,融合显性与隐性知识以改善人机通信。
2023-04-13 cs.AI cs.CL
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
VeriGraph: Scene Graphs for Execution Verifiable Robot Planning
University of Maryland, College Park, MD USA(马里兰大学学院公园分校)
VeriGraph通过整合视觉语言模型和场景图,提升机器人任务规划的可行性验证与修正,显著提高任务完成率。
2026-04-16 cs.AI cs.RO
Implementing the Cognition Level for Industry 4.0 by integrating Augmented Reality and Manufacturing Execution Systems
University of Salerno(萨勒诺大学)
在当前的工业实践中,传感器、数据采集系统和计算机网络的可用性和可负担性方面的指数增长迫使工厂转向实施与生产、物流和服务高度集成的网络物理系统(CPS)。这将使今天的工厂转变为具有巨大经济潜力的工业4.0工厂。工业4.0,也被称为第四次工业革命,利用网络技术,物联网和服务的整合。本文提出了一种基于增强现实(AR)的系统,它创建了一个认知层,将现有的制造执行系统(MES)集成到CPS。其想法是通过描述应用场景来强调AR技术为CPS提供的机会。该系统在一个真实的工厂中进行了分析,显示了它强大的整合物理和数字世界的能力。此外,所进行的调查(基于态势感知全球评估技术方法)显示,在生产监控,进度和工人的态势感知方面具有显着优势。
2020-11-18 cs.AI cs.CY
Integrating Algorithmic Planning and Deep Learning for Partially Observable Navigation
NUS Graduate School for Integrative Sciences and Engineering(新加坡国立大学综合科学与工程研究生院)
我们建议采取一种新的方法来设计机器人系统,其中一个更大的系统的每个构建块表示为一个可微的程序,即一个深神经网络。这种表示允许以原则性的方式集成算法规划和深度学习,从而结合了无模型和基于模型的方法的优点。我们将所提出的方法应用于具有挑战性的部分可观察机器人导航任务。机器人必须在以前看不见的3D环境中导航到目标,而不知道其初始位置,而是依赖于2D楼层地图和机载摄像头的视觉观察。我们介绍了导航网络(NavNets),它在一个端到端的可训练递归神经网络中编码状态估计、规划和行动。在初步的模拟实验中,我们成功地训练了导航网络,以解决具有挑战性的部分可观测导航任务。
2018-07-17 cs.AI cs.LG cs.RO
VeriPlan: Integrating Formal Verification and LLMs into End-User Planning
University of Wisconsin–Madison(威斯康星大学麦迪逊分校);U.S. Naval Research Laboratory(美国海军研究实验室)
VeriPlan将形式验证与LLM结合,通过规则翻译器、灵活性滑块和模型检查器提升终端用户规划的可靠性、灵活性和用户信任,用户研究显示质量与满意度提升。
2025-02-25 cs.AI cs.HC