Long-term Power Grid Planning via Answer Set Programming
University of Calabria, Italy(意大利卡拉布里亚大学);University of Huddersfield, UK(英国赫德瑟菲尔德大学)
本文提出了一种基于答案集编程的自动化和优化长期电力网络规划方法,以解决可持续性目标、需求模式和城市化趋势等复杂问题。
2026-05-19 cs.AI cs.LO
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
Dual Formulation for Chance Constrained Stochastic Shortest Path with Application to Autonomous Vehicle Behavior Planning
Khalifa University(哈利法大学)
自动驾驶车辆面临的问题是优化后续机动的预期性能,同时限制与周围动态障碍物碰撞的风险。这些障碍物,如代理车辆,往往表现出随机过渡,应及时和安全的方式。约束随机最短路径问题(C-SSP)是在随机环境中,在某些类型的操作约束下规划的一种形式。虽然C-SSP允许在规划问题中指定约束,但它不允许限制约束违反的概率,这在安全关键应用中是期望的。这项工作的第一个贡献是一个确切的整数线性规划制定的机会约束SSP(CC-SSP),达到确定性的政策。其次,随机舍入过程中提出的随机政策。第三,我们证明了CC-SSP形式主义可以推广到跨越多个时间步长的约束。评估结果表明,我们的方法在基准问题相比,现有的方法是有用的。
2023-02-25 cs.AI
ConstrainedZero: Chance-Constrained POMDP Planning using Learned Probabilistic Failure Surrogates and Adaptive Safety Constraints
Stanford University(斯坦福大学);Karlsruhe Institute of Technology (KIT)(卡尔斯鲁厄理工学院)
本文提出ConstrainedZero算法,通过神经网络学习CC-POMDP的最优值、策略和失败概率,并结合$Δ$-MCTS自适应调整安全阈值,在多个安全关键任务中实现了无需权衡奖励与成本即可满足目标安全水平。
2024-05-01 cs.AI
Resolving Spatial-Time Conflicts In A Set Of Any-angle Or Angle-constrained Grid Paths
Peoples’ Friendship University of Russia(俄罗斯人民友谊大学)
我们研究了多智能体路径寻找问题(MAPF)的一组代理,允许移动到任意方向上的二维正方形网格。我们专注于独立计算计划的集中冲突解决方案。我们提出了一个算法,通过使用本地重新规划,并引入时间偏移的路径由不同的代理执行,以消除冲突。实验结果表明,该算法能以较低的计算代价找到高质量的无冲突解。
2016-08-09 cs.AI
Addressing Myopic Constrained POMDP Planning with Recursive Dual Ascent
Stanford University(斯坦福大学)
针对全局对偶参数导致的近视动作选择和次优决策问题,提出依赖历史的对偶变量并通过递归对偶上升优化,实验证明该方法改善了探索并提升了安全性。
2024-03-26 cs.AI
Hierarchical Constrained Stochastic Shortest Path Planning via Cost Budget Allocation
Massachusetts Institute of Technology(麻省理工学院)
随机序贯决策往往需要层次结构的问题,每个高层次的行动应进一步计划与原始状态和行动。此外,许多现实世界的应用程序需要一个计划,满足约束的二次成本,如风险措施或燃料消耗。在本文中,我们提出了一个分层约束随机最短路径问题(HC-SSP),满足这两个关键的要求,在一个单一的框架。虽然HC-SSP提供了一个有用的框架,在许多现实世界的应用程序中,这样的规划要求建模,由此产生的问题具有很高的复杂性,并使得它很难找到一个最佳的解决方案,快速,这阻止了用户将其应用到实时和风险敏感的应用程序。为了解决这个问题,我们提出了一个算法,迭代分配成本预算的基础上分支定界计划的低层次规划问题,找到一个可行的解决方案快速和增量更新现任解决方案。我们证明了所提出的算法在疏散的情况下,并证明了一个国家的最先进的数学规划为基础的方法的优势。
2022-05-11 cs.AI
Theta*: Any-Angle Path Planning on Grids
University of Southern California(南加州大学);Ben-Gurion University of the Negev(内盖夫本-古里安大学)
在机器人技术和视频游戏中,包含封闭和未封闭单元的网格通常用于表示地形。但是,由栅格边形成的路径可能比地形中真正的最短路径更长,因为它们的前进方向受到人为约束。我们提出了两个新的正确的和完整的任何角度的路径规划算法,避免了这个缺点。基本Theta* 和角度传播Theta* 都是A* 的变体,它们沿着网格边缘传播信息,而不约束到网格边缘的路径。Basic Theta* 易于理解和实现,速度快,找到短路径。但是,它并不能保证找到真正的最短路径。与基本Theta* 相比,角度传播Theta* 在扩展顶点时传播角度范围,从而在每个顶点扩展的最差情况复杂度更高,但它更复杂,速度没有基本Theta* 快,并且找到的路径略长。我们将基本θ * 和角度传播θ * 统称为θ *。Theta* 具有独特的属性,我们将详细分析。我们的实验表明,它发现更短的路径比A* 与后平滑路径和字段D*(唯一的其他版本的A*,我们知道的,传播信息沿网格边缘没有约束路径网格边缘)与运行时间相媲美的网格上的A*。最后,我们将Theta* 扩展到包含非均匀遍历成本的未阻塞单元格的网格,并引入Theta* 的变体,这些变体提供路径长度和运行时间之间的不同权衡。
2014-01-16 cs.AI cs.CG
GRIP: A Unified Framework for Grid-Based Relay and Co-Occurrence-Aware Planning in Dynamic Environments
University of Missouri–Kansas City(密苏里大学-堪萨斯城分校);California State University, Fullerton(加州州立大学Fullerton分校)
提出统一框架GRIP,通过动态2D网格构建、开放词汇定位、共现感知符号规划与混合策略执行,解决了动态复杂环境下的机器人导航问题,在仿真与真实部署中均显著提升了长周期任务的成功率与路径效率。
2025-10-13 cs.AI cs.RO
GRACE: A Unified 2D Multi-Robot Path Planning Simulator & Benchmark for Grid, Roadmap, And Continuous Environments
Robert Bosch GmbH, Corporate Research(罗伯特·博世集团,企业研究);Technical University of Berlin(柏林技术大学)
GRACE是一种统一的二维多机器人路径规划模拟器与基准,通过统一的抽象级别和评估协议,实现跨网格、路网和连续环境的可比性比较,以提升多机器人规划研究的可重复性和应用性。
2026-03-11 cs.AI cs.MA cs.RO
Human-instructed Deep Hierarchical Generative Learning for Automated Urban Planning
University of Central Florida(中佛罗里达大学);Pinterest;Rutgers University(罗格斯大学);Baidu Research(百度研究院);Beihang University(北京航空航天大学)
城市规划的基本任务是在目标区域产生最佳的土地利用配置。然而,传统的城市规划是耗时耗力的。深度生成学习给了我们希望,我们可以自动化这个规划过程,并提出理想的城市规划。虽然已经取得了显着的成就,他们表现出的局限性,缺乏意识:1)功能区和空间网格之间的层次依赖关系,2)功能区之间的对等依赖关系,3)人为的规定,以确保生成的配置的可用性。为了解决这些局限性,我们开发了一种新的人类指导的深层层次生成模型。我们从独特的功能角度重新思考城市规划生成任务,将规划要求总结为不同的功能预测,以更好地生成城市规划。为此,我们开发了一个三阶段的生成过程,从一个目标区域到区域到网格。第一阶段是标记具有潜在功能的目标区域的网格以发现功能区。第二阶段是感知规划需求,形成城市功能预测。我们提出了一个新的模块:功能化器将人类指令和地理空间上下文的嵌入投影到区域级规划以获得这样的投影。每个预测都包括土地使用组合的信息和特定城市功能方面的空间网格结构依赖性。第三阶段是利用多注意力对功能预测的区域-区域对等依赖关系进行建模,以生成网格级土地使用配置。最后,我们提出了广泛的实验来证明我们的框架的有效性。
2022-12-01 cs.AI cs.RO
Reinforcement Learning Based Power Grid Day-Ahead Planning and AI-Assisted Control
enliteAI
正在进行的向可再生能源的过渡正在增加风能和太阳能等波动性电源的份额,增加电网波动性,并使电网运营变得日益复杂和成本高昂。在我们以前的工作中,我们已经介绍了一种拥塞管理方法,包括一个再调度优化器结合机器学习为基础的拓扑优化代理。与典型的仅重调度代理相比,它能够使模拟电网保持更长的运行时间,同时降低运营成本。我们的方法还在欧洲最大的电网运营商RTE发起的L2RPN 2022竞赛中排名第一。本文的目的是使这一有前途的技术更接近现实世界的电网运行。我们在两种类似于既定工作流程的设置中部署基于RL的代理,即AI辅助的提前规划和实时控制,以展示这种新技术的好处和警告。然后,我们分析拥塞,重新调度和切换配置文件,和基本的灵敏度分析提供了一个一瞥的操作鲁棒性。虽然距离真正的控制室还有很长的路要走,但我们相信本文和相关的原型有助于缩小差距,并为在未来的电网中安全部署RL代理铺平道路。
2023-02-15 cs.AI cs.LG cs.SY
Constrained Hierarchical Monte Carlo Belief-State Planning
Stanford University(斯坦福大学)
本文提出COBeTS方法,利用分层选项结构将在线CPOMDP规划扩展到大规模连续机器人问题,在满足约束预算时保证随时安全,并通过分层监控实现运行时安全。
2024-02-26 cs.AI cs.RO
Distilling Script Knowledge from Large Language Models for Constrained Language Planning
Fudan University(复旦大学);Brain Technologies, Inc.(脑科技公司);System Inc.(系统公司);Fudan-Aishu Cognitive Intelligence Joint Research Center(复旦-爱数认知智能联合研究中心)
本文首次定义约束语言规划任务,提出先过度生成再过滤的方法并构建含 55,000 个脚本的 CoScript 数据集,有效提升大模型及小模型在约束条件下的语言规划能力。
2023-05-26 cs.AI cs.CL
Approximating Constraint Manifolds Using Generative Models for Sampling-Based Constrained Motion Planning
任务约束下的基于采样的运动规划是具有挑战性的,因为配置空间中的零测量约束流形使得拒绝采样即使不是不可能,也是极其低效的。提出了一种基于学习的约束运动规划问题采样策略。我们研究了两个著名的深度生成模型,条件变分自编码器(CVAE)和条件生成对抗网(CGAN)的使用,以生成满足约束的样本配置。而不是预先计算的图形,我们使用生成模型的约束参数近似的约束流形。这种方法允许有效地绘制满足约束的样本在线,而不需要修改现有的基于采样的运动规划算法。我们评估这两个生成模型的效率,他们的抽样精度和抽样分布的覆盖率。在两个机器人平台上进行了不同约束任务的仿真和实验。
2022-04-14 cs.AI cs.RO
A $1000\times$ Faster LLM-enhanced Algorithm For Path Planning in Large-scale Grid Maps
Junlin Zeng, Xin Zhang, Xiang Zhao, Yan Pan(作者)
本文提出iLLM-A*算法,通过优化A*和增量学习方法,实现大规模网格地图路径规划的1000倍速度提升和内存节省。
2025-12-01 cs.AI cs.RO
Efficient Hierarchical Any-Angle Path Planning on Multi-Resolution 3D Grids
本文提出了一种基于多分辨率表示的高效任意角度路径规划方法,兼顾最优性和完备性,克服了传统搜索方法的计算瓶颈,实验表明其在真实和合成环境中的优越性能。
2026-02-24 cs.AI cs.RO
Large-Scale Multirobot Coverage Path Planning on Grids With Path Deconfliction
School of Computing Science, Simon Fraser University(计算科学学院,西蒙弗雷泽大学)
研究4邻接2D网格上的多机器人覆盖路径规划问题,提出LS-MCPP框架结合ESTC范式与局部搜索直接在原网格上优化路径,并首次引入MAPF后处理技术解决冲突,实现高效高质量的现实应用求解。
2025-06-26 cs.AI cs.RO
Constrained Motion Planning Networks X
University of California San Diego(加州大学圣地亚哥分校)
受约束的运动规划是一个具有挑战性的研究领域,旨在寻找计算效率高的方法,可以在给定的起始和目标配置之间的约束流形上找到无碰撞路径。这些规划问题经常出现,例如在机器人操作执行日常生活辅助任务。然而,很少有约束运动规划的解决方案是可用的,并且那些存在的解决方案在寻找流形上的路径解决方案时与高计算时间复杂度作斗争。为了解决这一挑战,我们提出了约束运动规划网络X(CoMPNetX)。它是一种神经规划方法,包括条件深度神经生成器和基于神经梯度的快速投影算子。我们还介绍了神经任务和场景表示的条件下,CoMPNetX生成隐式流形配置涡轮增压任何底层的经典规划,如基于采样的运动规划方法,快速解决复杂的约束规划任务。我们表明,在各种具有挑战性的场景中,我们的方法比最先进的传统路径查找工具能够以更高的成功率和更低的计算时间找到路径解决方案。
2021-07-03 cs.AI cs.LG cs.RO
LARC: Towards Human-level Constrained Retrosynthesis Planning through an Agentic Framework
Department of Computer Science and Engineering, 2 Division of Medicinal Chemistry & Pharmacognosy, 3 Department of Biomedical Informatics, 4 Translational Data Analytics Institute(1 计算机科学与工程系,2 药物化学与药理学系,3 生物医学信息学系,4 转化数据分析研究所)
本文提出首个基于 LLM 的约束逆合成规划智能体框架 LARC,通过“智能体即裁判”引入工具推理反馈来引导路线生成,在 48 个任务上取得 72.9% 成功率,大幅超越基线并接近人类专家水平。
2025-08-16 cs.AI cs.CL
Optimal Multi-Agent Path Finding for Precedence Constrained Planning Tasks
Indian Institute of Technology Kharagpur(印度理工学院卡哈拉格普尔分校)
多智能体路径查找(MAPF)是为多个智能体寻找从其起始位置到结束位置的无冲突路径的问题。我们认为这个问题的扩展,优先约束的多智能体路径查找(PC-MAPF),其中代理被分配一系列的规划任务,其中包含优先约束。PC-MAPF具有各种应用,例如在多代理拾取和递送问题中,其中某些对象可能需要多个代理协同拾取并一致地移动它们。优先约束也出现在仓库装配问题中,在制造任务可以开始之前,其输入资源必须被制造和交付。我们提出了一种新的算法,优先约束的基于冲突的搜索(PC-CBS),这类问题的最大完工时间的最佳解决方案。PC-CBS利用优先级约束任务图为每个计划任务定义有效的时间间隔,并在遇到优先级冲突时更新它们。我们基准测试该算法的性能在各种仓库组装,和多代理的皮卡和交付任务,并使用它来评估最近提出的有效的基线的次优。
2022-02-08 cs.AI cs.MA
Graph World Models for Constrained Epidemic Policy Planning
Virginia Tech(弗吉尼亚理工大学)
提出EpiMind图世界模型框架,通过图分解状态空间模型和ADMM优化实现跨区域受限流行病政策规划,显著降低预测误差并保证资源可行性。
2026-10-12 cs.AI cs.LG
POGEMA: Partially Observable Grid Environment for Multiple Agents
AIRI(AIRI研究所)
我们引入POGEMA(https://github.com/AIRI-Institute/pogema)一个挑战部分可观察多智能体寻路(PO-MAPF)问题的沙箱。这是一个基于网格的环境,专门设计成一个灵活、可调和可扩展的基准。它可以针对各种PO-MAPF进行定制,PO-MAPF可以作为规划和学习方法的绝佳测试场,以及它们的组合,这将使我们能够填补AI规划和学习之间的空白。
2022-06-22 cs.AI cs.LG cs.MA
Electric Vehicle Charging Infrastructure Planning: A Scalable Computational Framework
Lawrence Berkeley National Laboratory(劳伦斯伯克利国家实验室)
由于交通系统和电网的网络规模不断增加,在大地理空间区域上的最优充电基础设施规划问题具有挑战性。因此,电动车辆行驶行为和充电事件之间的耦合是复杂的。本文重点介绍了一个可扩展的计算框架的示范电动汽车充电基础设施规划在紧密集成的交通和电网网络。在交通方面,充电配置文件生成策略,提出了利用电动汽车的能源消耗模型,行程路线,和充电器选择方法。在电网侧,利用遗传算法内的最优潮流程序来解决最优充电器放置问题的整数变量,通过自适应地评估候选解决方案在当前迭代和生成新的解决方案,为下一次迭代。
2020-11-17 cs.AI cs.NE eess.SP
Tango*: Constrained synthesis planning using chemically informed value functions
École Polytechnique Fédérale de Lausanne (EPFL)(洛桑联邦理工学院);National Centre of Competence in Research (NCCR) Catalysis(国家催化研究能力中心(NCCR催化))
本文提出Tango*,通过化学信息价值函数和现有Retro*单向搜索解决起始原料受限的合成规划问题,在求解率、效率、耗时及路线长度上优于现有方法。
2024-12-04 cs.AI cs.CE
Quantum Grid Path Planning Using Parallel QAOA Circuits Based on Minimum Energy Principle
School of Economics, Hunan University of Finance and Economics(财经大学经济学院)
本研究提出基于并行QAOA电路的量子网格路径规划方法,通过最小能量映射和经典滤波,在NISQ时代以最高概率求得最优路径。
2025-10-08 cs.AI math-ph math.MP
Stability Constrained Mobile Manipulation Planning on Rough Terrain
McGill University(麦吉尔大学)
本文提出了一个框架,允许在线动态稳定性约束的最优轨迹规划的移动机械手机器人工作在崎岖的地形。首先,移动机械臂机器人的运动学模型,和零力矩点(ZMP)稳定性措施作为理论背景。然后,提出了一种基于采样的准静态规划算法,并给出了数学证明。机器人的准静态路径,然后作为一个初始的猜测,热启动非线性最优控制求解器,否则可能有困难找到一个解决方案的稳定性约束的制定有效。该框架的性能和计算效率的证明,通过一个模拟的木材采伐移动机械手机器工作在不同的地形。仿真结果验证了在满足动稳定性约束的情况下,对变地形进行在线轨迹规划的可行性。
2021-05-10 cs.AI cs.RO cs.SY
Design and Planning of Flexible Mobile Micro-Grids Using Deep Reinforcement Learning
Imperial College London(伦敦帝国理工学院)
气候变化带来的持续风险已经影响到全球游牧社区的生计,并可能导致未来几年移民流动的增加。因此,在能源系统规划中,特别是在发展中国家实现能源获取方面,流动性考虑变得越来越重要。先进的即插即用控制策略最近已经开发出这样一个分散的框架,更容易允许游牧社区相互之间以及与主电网的互连。基于此,本文研究了游牧社区移动式多能源供应系统的设计与规划策略。受相关不确定性的规模和维度的影响,在30年的规划范围内影响所有主要的设计和决策变量,深度强化学习(DRL)被用于解决设计和规划问题。基于DRL的解决方案以几种刚性基线设计选项为基准,以比较不确定性下的预期性能。蒙古蒙古包社区的一项案例研究结果表明,流动游牧能源系统在技术上和经济上都是可行的,特别是在考虑到灵活性时,尽管家庭之间的空间分散程度是一个重要的限制因素。对成本、等效排放量和未满足总负荷等关键经济、可持续性和弹性指标进行了测量,表明与现有基线相比,潜在的改善分别高达25%、67%和76%。最后,分解的灵活性和即插即用操作的价值是使用实物期权理论的变化,游牧社区和政策制定者的重要影响,重点是使他们的能源获取。
2022-12-08 cs.AI cs.SY eess.SY
Budget-Constrained Agentic Large Language Models: Intention-Based Planning for Costly Tool Use
Gaoling School of Artificial Intelligence, Renmin University of China(中国人民大学人工智能学院);Shanghai University of Finance(上海财经大学);Baidu Inc.(百度公司)
本文提出INTENT框架,通过意图感知的分层世界模型,在预算约束下提升工具使用任务的成功率并保持鲁棒性。
2026-02-12 cs.AI cs.LG
Driving among Flatmobiles: Bird-Eye-View occupancy grids from a monocular camera for holistic trajectory planning
Renault S.A.S(雷诺股份有限公司);Sorbonne universités, Université de technologie de Compiègne, CNRS, Heudiasyc(索邦大学,贡比涅技术大学,法国国家科学研究中心,Heudiasyc实验室);Monash University(莫纳什大学)
基于摄像头的端到端驾驶神经网络带来了将摄像头图像映射到驾驶控制命令的低成本系统的希望。这些网络之所以吸引人,是因为它们取代了费力的手工构建模块,但它们的黑匣子性质使它们在失败的情况下难以深入研究。最近的工作已经表明了使用显式中间表示的重要性,它具有增加网络决策的可解释性和准确性的好处。尽管如此,这些基于相机的网络在相机视图中推理,其中尺度不是均匀的,因此不直接适合于运动预测。在本文中,我们介绍了一种新的单目摄像机的整体端到端的轨迹规划网络与鸟瞰图(BEV)的中间表示,在二进制占领网格地图(OGM)的形式。为了简化从摄像机图像预测BEV中的OGM,我们引入了一种新的方案,其中首先将OGM预测为摄像机视图中的语义掩模,然后使用两个平面之间的单应性在BEV中变形。允许这种变换应用于3D对象(如车辆)的关键要素在于仅预测它们在相机视图中的足迹,因此尊重单应性所暗示的平坦世界假设。
2020-08-10 cs.AI cs.CV cs.RO
Benchmarking Classical Coverage Path Planning Heuristics on Irregular Hexagonal Grids for Maritime Coverage Scenarios
Facultad de Ingeniería y Ciencias, Universidad Adolfo Ibáñez(工程与科学学院,阿道弗·伊巴涅斯大学);Dirección de Programas, Investigación y Desarrollo, Armada de Chile(智利海军计划、研究与开发 Directorate);Millennium Nucleus for Social Data Science (SODAS)(社会科学数据科学千年核基金(SODAS));Millennium Nucleus in Data Science for Plant Resilience (PhytoLearning)(植物韧性数据科学千年核基金(PhytoLearning))
本文提出一个可重复的基准测试,评估经典单车覆盖路径规划启发式方法在不规则六边形网格上的性能,包含10000个哈密顿可行实例和17种启发式方法,揭示实现细节对稀疏几何图性能的影响。
2026-04-16 cs.AI cs.RO math.OC
Critic-Free Deep Reinforcement Learning for Maritime Coverage Path Planning on Irregular Hexagonal Grids
本文提出一种深度强化学习框架,用于在不规则海域的六边形网格上解决覆盖路径规划问题,通过Transformer指针策略自回归构造覆盖路径,并采用无评价组相对策略优化方法,实现高效路径规划。
2026-08-11 cs.AI cs.LG cs.NE
RADMPC: A Fast Decentralized Approach for Chance-Constrained Multi-Vehicle Path-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)
本文提出了一种基于去中心化路径规划方法RADMPC的快速机会约束多车辆路径规划方法,通过评估车辆交互来确定需要耦合规划的车辆集,并利用IRA在较小的车辆集上快速规划安全路径,从而显著提高计算效率。
2018-11-25 cs.AI cs.MA cs.RO
Optimal Power Grid Operations with Foundation Models
IBM Research Europe(IBM欧洲研究院);IBM Research, T.J. Watson Research Center(IBM研究院T.J.沃森研究中心)
本文提出利用AI基础模型和图神经网络高效利用稀缺电网数据,并以自监督学习潮流动态作为关键第一步,从而提升电网运行与规划的最优性。
2024-09-03 cs.AI cs.LG cs.SY