Computing Programs for Generalized Planning as Heuristic Search
Universitat Pompeu Fabra(庞培法布拉大学)
虽然启发式搜索是经典规划中最成功的方法之一,但这种规划范式并不直接适用于广义规划(GP)。本文将规划作为启发式搜索的一种范式,应用于规划问题的特殊性,提出了第一种求解规划问题的原生启发式搜索方法。首先,本文定义了一个基于程序的解决方案空间GP是独立的规划实例的数量在GP问题,这些实例的大小。其次,本文定义了BFGP算法的GP,实现了最佳优先搜索在我们的程序为基础的解决方案空间,并指导不同的评价和启发式功能。
2022-05-12 cs.AI
Hybrid Conditional Planning using Answer Set Programming
Sabanci University(萨班哲大学)
我们介绍了一种并行离线算法计算混合条件计划,称为HCP-ASP,面向机器人应用。HCP-ASP依赖于建模的驱动动作和感应动作在一个富有表现力的非单调语言的答案集编程(ASP),和计算的分支的条件计划并行使用ASP求解器。特别是,由于外部原子,连续的可行性检查(如碰撞检查)被嵌入到ASP中的驱动动作和传感动作的正式表示中;因此,混合条件计划的每个分支描述了一个可行的动作执行,以达到其目标。利用非单调的结构和非确定性的选择,部分知识的状态和非确定性的影响感测行动可以明确形式化的ASP,因此,每个分支的条件计划可以计算的ASP求解器,而不需要一致的计划和排序的感测行动提前。我们应用我们的方法在服务机器人领域和报告的实验评估。此外,我们提出的性能比较与其他编译为基础的条件规划标准化的基准域。本文件正在考虑被TPLP接受。
2017-07-19 cs.AI cs.LO cs.RO
Representation and Synthesis of C++ Programs for Generalized Planning
Universitat Pompeu Fabra(庞培法布拉大学);Florida Universitària(佛罗里达大学);VRAIN - Valencian Research Institute for Artificial Intelligence, Universitat Politècnica de València(瓦伦西亚理工大学瓦伦西亚人工智能研究所(VRAIN))
本文介绍了一种新的表示广义规划(GP)问题,和他们的解决方案,作为C++程序。我们的C++表示允许正式证明广义计划的终止,并指定其渐近复杂性w.r.t.世界物体的数量。描述C++广义计划的复杂性使得能够应用组合搜索,该搜索按复杂性顺序枚举可能的GP解决方案的空间。实验结果表明,我们的实现这种方法,我们称之为BFGP++,优于以前的GP作为启发式搜索方法的计算表示为编译器风格的程序的广义计划。最后但并非最不重要的是,在经典规划实例上执行C++程序是一个确定性的无接地和无搜索的过程,因此我们的C++表示允许我们在数千个对象的大型测试实例上自动验证计算的解决方案,其中现成的经典规划器要么陷入预处理,要么陷入搜索。
2022-06-29 cs.AI
Non Deterministic Logic Programs
非确定性应用出现在许多领域,包括随机优化、多目标优化、随机规划、偶然随机规划、强化学习、部分可观测马尔可夫决策过程中的强化学习和条件规划。我们提出了一个逻辑编程框架,称为非确定性逻辑程序,以及声明性语义和定点语义,允许表示和推理固有的非确定性的现实世界的应用程序。对非确定性逻辑程序语言框架进行了非单调否定扩展,定义了两种可供选择的语义:稳定非确定性模型语义和良基非确定性模型语义,并研究了它们之间的关系。这些语义继承了确定性正常逻辑程序的确定性稳定模型语义和确定性良基语义,并将其归结为确定性逻辑程序的无否定语义。我们展示了应用程序的非确定性逻辑程序框架的条件规划问题。
2013-04-26 cs.AI
Human Robot Collaborative Assembly Planning: An Answer Set Programming Approach
Faculty of Engineering and Natural Sciences, Sabancı University, Istanbul, Turkey(工程与自然科学学院,萨班奇大学,伊斯坦布尔,土耳其)
本文提出一种基于答案集编程的协作装配规划方法,结合常识推理和丰富的沟通动作,用于处理不确定性和确保安全协作。
2020-08-08 cs.AI cs.LO cs.RO
Reasoning and Planning with Sensing Actions, Incomplete Information, and Static Causal Laws using Answer Set Programming
我们在[Son and Baral 2000]中将感知行为和不完全信息的0-近似扩展到具有静态因果律的行为理论,并证明了它在可能世界语义上的可靠性。我们还表明,关于这个近似的条件规划问题是NP完全的。然后,我们提出了一个答案集编程为基础的条件规划,称为ASCP,这是能够产生符合计划和条件计划中存在的传感行动,不完整的信息的初始状态,和静态因果关系的法律。我们证明了我们的实现的正确性,并认为我们的计划是健全的和完整的建议的近似。最后,我们提出的实验结果比较ASCP到其他规划。
2006-05-04 cs.AI
Evolutionary Programmer: Autonomously Creating Path Planning Programs based on Evolutionary Algorithms
Beijing University of Aeronautics and Astronautics(北京航空航天大学)
进化算法以其灵活性和有效性在无人机路径规划中得到了广泛的应用。然而,它们对环境的变化非常敏感,不能适应所有的情况。由于这个缺点,以前成功的规划者经常在新场景中失败。本文提出了一种新的机器学习方法-进化程序设计方法来解决这一问题。具体来说,将最常用的进化算法分解为一系列的算子,构成了系统的算子库。新方法将算子重新组合为一个集成规划器,从而选择最合适的算子以适应不断变化的环境。与一般的机器程序设计方法不同,该方法以高度集成的指令集中于特定的任务,从而缓解了指令复杂性导致的搜索空间过大的问题。在此基础上,提出了一种64位序列来表示路径规划器,并采用改进的遗传算法进行进化。最后,最合适的规划器创建通过利用以前的规划器和各种随机生成的信息。
2022-03-30 cs.AI cs.NE
CLMASP: Coupling Large Language Models with Answer Set Programming for Robotic Task Planning
University of Science and Technology of China(中国科学技术大学);Institute of Artificial Intelligence, Hefei Comprehensive National Science Center(合肥综合性国家科学中心人工智能研究院)
本文提出CLMASP方法,结合大语言模型和答案集编程,解决机器人任务规划中计划落地问题,实验显示其执行率显著提升。
2026-06-28 cs.AI
A Bilinear Programming Approach for Multiagent Planning
University of Massachusetts(马萨诸塞大学)
多智能体规划和协调问题是常见的,并且已知计算困难。我们表明,广泛的两个代理问题可以制定为双线性规划。我们提出了一个连续的近似算法,显着优于覆盖集算法,这是国家的最先进的方法,这类多智能体问题。由于该算法是针对双线性规划的,因此更具有一般性,实现起来也更简单。新的算法可以在任何时候终止,不像覆盖集算法,它有利于推导出一个有用的在线性能界限。它也更有效,平均将最优解的计算时间减少了大约四个数量级。最后,我们介绍了一种自动降维方法,提高了算法的有效性,将其适用性扩展到新的领域,并提供了一种新的方法来分析一个子类的双线性规划。
2014-01-15 cs.AI
Shadow Program Inversion with Differentiable Planning: A Framework for Unified Robot Program Parameter and Trajectory Optimization
ArtiMinds Robotics(ArtiMinds机器人公司);Institute for Artificial Intelligence, University of Bremen(不来梅大学人工智能研究所)
本文提出SPI-DP一阶优化器,通过引入可微分无碰撞运动规划器DGPMP2-ND并集成到梯度优化方法中,实现机器人程序参数与轨迹的统一优化,兼顾任务目标与运动约束,支持人类理解修改程序并在实际场景验证。
2025-02-12 cs.AI cs.RO
Nested Reasoning About Autonomous Agents Using Probabilistic Programs
Northeastern University(东北大学);Brigham Young University(杨百翰大学)
随着自主智能体变得越来越普遍,它们最终将不得不对其他智能体的计划进行推理,这被称为心理理论推理。我们开发了一个规划推理框架,在该框架中,代理执行嵌套模拟,以在线方式推理其他代理的行为。作为这个框架的一个具体应用,我们使用概率程序来模拟一个高不确定性的追求-逃避游戏的变种,其中一个代理必须对其他代理的计划进行推断,以制定反计划。我们的概率程序结合了各种复杂的原语,如视野计算和路径规划,这使我们能够模拟准现实的情况下,在计算上听话的方式。我们进行了广泛的实验评估,建立了各种合理的行为,并量化如何分配计算嵌套的层次影响我们的估计方差。
2020-03-04 cs.AI
Exploring the hierarchical structure of human plans via program generation
Princeton University(普林斯顿大学);Stanford University(斯坦福大学);Princeton Neuroscience Institute(普林斯顿神经科学研究所)
本文通过让参与者创建具明确层次结构的动作序列生成程序,测试效用最大化和MDL原则,发现人类更偏好程序复用性,据此扩展MDL为生成模型,更好预测人类层次规划行为。
2024-12-03 cs.AI
Learning Compositional Neural Programs with Recursive Tree Search and Planning
InstaDeep;DeepMind;Sorbonne Universite(索邦大学)
我们提出了一种新的强化学习算法AlphaNPI,它结合了神经程序员解释器(NPI)和AlphaZero的优点。NPI以模块化、层次化和递归化的形式贡献结构偏差,有助于降低样本复杂度、提高泛化能力和增强可解释性。AlphaZero提供了强大的神经网络引导搜索算法,我们用递归来增强它。AlphaNPI仅假设具有稀疏奖励的分层程序规范:当程序执行满足规范时为1,否则为0。使用该规范,AlphaNPI能够首次使用RL有效地训练NPI模型,完全消除了对执行跟踪形式的强监督的需求。实验表明,AlphaNPI可以像以前的强监督NPI变体一样进行排序。AlphaNPI代理还在具有两个磁盘的汉诺塔谜题上进行了训练,并被证明可以推广到具有任意数量磁盘的谜题
2021-04-13 cs.AI
Logic-Based Decision Support for Strategic Environmental Assessment
战略环境评价是一个程序,旨在引入系统的评估计划和方案的环境影响。这个过程是基于所谓的同轴矩阵,它定义了计划活动(基础设施,工厂,资源提取,建筑物等)之间的依赖关系。积极和消极的环境影响,以及这些影响与环境受体之间的依赖关系。到目前为止,这一程序是由环境专家手工执行的,用于检查给定计划或项目的环境影响,但在计划/项目建设期间从未应用过。一个以明确的逻辑语义为基础的决策支持系统将是一个宝贵的工具,不仅在评估一个单一的、已经确定的计划方面,而且在规划过程中,为了制定一个优化的、经过环境评估的计划和研究可能的替代方案,也是一个宝贵的工具。我们提出了两个基于逻辑的方法来解决这个问题,一个基于约束逻辑编程和一个概率逻辑编程,可以在未来,方便地合并,以利用两者的优势。我们测试所提出的方法在一个真正的能源计划,我们讨论他们的局限性和优势。
2010-07-19 cs.AI
PLANS: Robust Program Learning from Neurally Inferred Specifications
ETH Zürich(苏黎世联邦理工学院)
近年来,基于神经模型的统计程序学习兴起,作为传统的基于规则的系统的替代方案。基于规则的方法以无监督的方式提供正确性保证,因为它们固有地捕获逻辑规则,而神经模型更现实地可扩展到原始的高维输入,并提供对噪声I/O规范的抵抗力。我们介绍了PLANS(从神经推断规范中学习程序),这是一种从视觉观察中进行程序合成的混合模型,它可以两全其美,依赖于(i)经过训练的神经架构,可以从每个原始输入中提取抽象的高级信息(ii)基于规则的系统,使用提取的信息作为I/O规范来合成捕获不同观察结果的程序。为了解决的关键挑战,使计划抗噪声网络的输出,我们引入了一个过滤启发式的I/O规格的基础上选择性分类技术。我们从Karel和ViZDoom环境中的各种演示视频中获得最先进的程序合成性能,同时不需要地面实况程序进行培训。我们在github.com/rdang-nhu/PLANS上提供我们的实现。
2020-06-05 cs.AI cs.LG stat.ML
A Planning Approach to Monitoring Behavior of Computer Programs
Ben Gurion University(本·古里安大学);PayPal
我们描述了一种新的方法来监控高层次的行为,使用人工智能规划的概念。我们的目标是根据程序的系统调用跟踪来了解程序在做什么。这种能力对于检测恶意软件尤其重要。我们通过建立一个抽象的模型,操作系统使用的规划语言,铸造系统调用作为规划运营商来解决这个问题。给定一个系统调用跟踪,我们在我们的模型上模拟相应的操作符,并通过观察所达到的状态的属性,我们了解原始程序的性质及其行为。因此,不像大多数统计检测方法,侧重于句法特征,我们的方法是语义的性质。因此,它对恶意软件使用的混淆技术更加健壮,这些混淆技术改变了跟踪的外观,但不会改变其效果。我们通过对实际的系统调用跟踪进行评估来证明我们的方法的有效性。
2017-09-11 cs.AI cs.CR
SocraticRepair: Planning-Guided Socratic Tutoring for Program Debugging and Misconception Repair
University of Warwick(华威大学);Warwick Manufacturing Group(华威制造集团)
本研究提出SocraticRepair框架,通过微调Qwen2.5-Coder-7B-Instruct构建面向Python编程的规划引导式苏格拉底辅导系统,可提升教学质量并减少过早透露解决方案的问题。
2026-10-14 cs.AI cs.LG
Property-Guided LLM Program Synthesis for Planning
Federal University of Rio Grande do Sul(里约格朗德杜斯尔大学);University of Oxford(牛津大学);Linköping University(林奈大学)
本文研究了一种基于属性的LLM程序合成方法,通过检查候选程序是否满足形式定义的属性来指导LLM生成更高质量的程序,从而减少生成和评估成本。
2026-05-18 cs.AI cs.LG
Generating Planning Feedback for Open-Ended Programming Exercises with LLMs
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
针对开放式编程练习中自动评分无法反馈规划过程的问题,提出用LLM检测学生程序的高层级规划,证明GPT-4o及微调后的GPT-4o-mini检测准确率高且小型模型成本低,可助力实时反馈并有望扩展到其他学科。
2025-04-11 cs.AI cs.CL
A Combined Approach of Process Mining and Rule-based AI for Study Planning and Monitoring in Higher Education
RWTH Aachen University(亚琛工业大学)
提出了一种基于校园管理系统数据和学习计划模型,利用过程挖掘和基于规则的人工智能方法分析和理解学生学习路径的方法。过程挖掘技术用于描述成功的研究路径,以及检测和可视化偏离预期计划。这些见解与从考试规定中提取的相应研究计划的建议和要求相结合。在这里,事件演算和答案集编程被用来提供模型的研究计划,支持规划和一致性检查,同时提供可能的研究计划违反的反馈。在其组合中,过程挖掘和基于规则的人工智能被用来支持学习规划和监测,通过导出规则和建议,指导学生以更高的成功率更合适的学习路径。将实施两个应用程序,一个为学生和一个为学习计划设计者。
2022-11-22 cs.AI cs.CY
Plans Work in Mysterious Ways: Evaluating a Plan Mode for Spreadsheet Agents
Microsoft(微软)
研究电子表格代理计划模式,构建原型并通过用户研究与非计划基线评估,发现虽任务结果相似,但计划模式可减少优化,提升用户对工具在创造力支持和人机协作方面的感知,探讨了对计划模式设计及人机规划的影响。
2026-07-30 cs.AI cs.HC cs.SE
P$^{3}$: Joint Program-and-Proof Planning for Verified Code Generation
Apodex;Princeton University(普林斯顿大学);Caltech(加州理工学院);University of Toronto(多伦多大学)
P³是一种用于验证代码生成的程序与证明联合规划的LLM智能体工作流,在三个基准上的求解率优于基线,还降低了API成本与运行时间。
2026-08-11 cs.AI cs.PL