Modelling Multi-Agent Epistemic Planning in ASP
University of Udine（乌迪内大学）；New Mexico State University（新墨西哥州立大学）
设计能够对世界进行推理和行动的智能体一直是人工智能社区的主要目标之一。虽然对于在“简单”域中的规划，智能体可以仅依赖于关于世界的事实，但在几个上下文中，例如，在经济、安全、司法和政治方面，仅仅对世界的了解可能不足以实现预期目标。在这些情况下，认知推理，即，推理代理人对自己的信念和其他代理人的信念，是设计获胜策略的关键。本文利用声明性编程技术解决了多智能体认知环境中的推理问题。特别是，本文提出了一个实际的实现多杆答案集编程为基础的规划，可以在多智能体认知设置，称为PLATO（ePistemic多智能体答案集编程sOlver）的原因。ASP范例使规划器的设计简洁而优雅，w.r.t.其他必要的实现，促进正确性的形式化验证的开发。本文展示了如何规划者，利用一个特设的认知状态表示和效率的ASP求解器，有竞争力的性能结果从文献中收集的基准。目前正在考虑让TPLP接受。
2020-08-07 cs.AI
h-approximation: History-Based Approximation of Possible World Semantics as ASP
University of Bremen（不来梅大学）
我们提出了一个近似的可能世界语义（PWS）的行动规划。相应的规划系统是通过将行动规范转换为一个决策集程序来实现的。新颖性是对后置wrt的支持。(a)与Baral（2000）的非近似PWS的$Σ_2^P$相比，我们框架中的计划存在问题可以在NP中解决;（b）计划器生成最优计划wrt。$Δ_2^P$中的最小数量的动作。我们演示了规划系统的标准问题，并说明其集成在一个更大的软件框架中的机器人控制在灵巧家庭。
2013-06-14 cs.AI
A Constraint-based Encoding for Domain-Independent Temporal Planning
我们提出了一个通用的基于约束的编码领域无关的任务规划。任务规划的特点是因果关系表示为条件和可选行动的影响。可能的操作通常由模板表示，其中每个模板可以实例化为多个基本操作。虽然大多数以前的工作领域独立的任务规划集中在一个面向状态的视图中的原始动作，我们的编码使用一个完全解除表示在行动模板的水平。它遵循的精神，以前的工作在基于约束的调度面向时间的观点。因此，所提出的编码是简单和紧凑的，因为它随着解决方案计划中的动作的数量而不是可能的原始动作的数量而增长。当用SMT求解器求解时，我们表明，所提出的编码在时间约束规划基准上比最先进的方法稍微更有效，同时明显优于其他完全基于约束的方法。
2018-06-26 cs.AI
Planning with Incomplete Information in Quantified Answer Set Programming
New Mexico State University（新墨西哥州立大学）；Omaha State University（奥马哈州立大学）；University of Potsdam（波茨坦大学）
我们提出了一个通用的方法来规划与不完全信息的答案集编程（ASP）。更确切地说，我们考虑的问题，符合和条件规划与感知行动和假设。我们表示规划问题，使用一个简单的形式主义，其中逻辑程序描述的状态，初始状态和目标状态之间的过渡函数。为了解决规划问题，我们使用量化答案集编程（QASP），ASP的扩展与原子上的存在和通用量词类似于量化布尔公式（QBF）。我们定义了量化的逻辑程序的语言，并用它来表示符合和条件规划的不同变体的解决方案。在实践方面，我们提出了一个基于约束的QASP求解器，量化的逻辑程序转换成QBF，然后执行QBF求解器，我们实验评估的方法一致性和条件规划基准。正在考虑接受TPLP。
2021-08-13 cs.AI
Learning Domain-Independent Heuristics for Grounded and Lifted Planning
The Australian National University（澳大利亚国立大学）
本文提出三种基于GNN的规划任务图表示，并首次仅用提升表示学习领域无关启发式，理论与实验均证明其表达能力和大规模泛化性能优于STRIPS-HGN。
2023-12-20 cs.AI
Planning Assembly Sequence with Graph Transformer
Tsinghua University（清华大学）；Qianzhi Technology（千知科技）
装配序列规划是现代制造业的关键过程，是一个NP完全问题，如何有效地解决装配序列规划问题一直是该领域研究人员面临的一个挑战。在本文中，我们提出了一个基于图转换器的框架，为ASP问题，这是训练和展示一个自收集的ASP数据库。ASP数据库包含一组自己收集的乐高模型。通过对乐高模型的结构分析和特征提取，将乐高模型抽象为一个异构的图结构。地面实况组装序列首先通过蛮力搜索生成，然后手动调整以符合人类的理性习惯。基于这个自收集的ASP数据集，我们提出了一个异构的图形转换框架来学习潜在的规则，装配规划。我们在一系列实验中评估了所提出的框架。结果表明，预测和地面真相序列的相似性可以达到0.44，由肯德尔的$τ$测量的中等相关性。同时，比较了节点特征和边特征对装配的影响，生成了合理可行的装配序列，为后续的研究提供了参考。我们的数据集和代码可以在https：//github.com/AIR-DISCOVER/ICRA\_ASP上找到。
2022-10-15 cs.AI cs.LG
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
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
Planning by Rewriting
区域无关规划是一个组合问题。考虑到计划的质量，这项任务就更加困难。本文介绍了重写规划（PbR），这是一种高效、高质量的独立于领域的规划的新范式。PbR利用声明式计划重写规则和高效的本地搜索技术将易于生成但可能次优的初始计划转换为高质量计划。除了解决规划效率和规划质量的问题，该框架提供了一个新的随时规划算法。我们已经实现了这个计划，并将其应用到几个现有的领域。实验结果表明，PbR方法提供了显着的节省规划工作，同时产生高质量的计划。
2011-06-01 cs.AI
Divide-and-Evolve: a New Memetic Scheme for Domain-Independent Temporal Planning
提出了一种将演化算法与运筹学方法相结合求解时间规划问题的新方法--分而进化法。标准的Memetic算法使用局部搜索方法来改进进化解，因此当局部方法停止处理完整问题时会失败，而Divide-and-Evolve方法将手头的问题分成几个更容易的子问题，因此可以解决直接输入确定性OR算法时难以解决的全局问题。但是，Divide-and-Evolve方法最突出的优点是，它立即为多目标优化开辟了一条道路，即使使用的OR方法是单目标的。给出了标准（单目标）Zeno交通基准的概念验证方法，并在同一Zeno框架中提出了一个小型的原始多目标基准，以评估所提出的方法的多目标能力，这是时间规划的一个突破。
2006-01-09 cs.AI
A Domain-Independent Algorithm for Plan Adaptation
转换计划、基于案例的计划和计划调试的范例都涉及一个称为计划适应的过程-修改或修复旧计划，以便解决新问题。在本文中，我们提供了一个域独立的算法计划适应，证明它是健全的，完整的，系统的，并比较它与其他适应算法在文献中。我们的方法是基于一个视图的规划作为搜索图的部分计划。生成式计划从图的根开始，并使用计划细化操作符从节点移动到节点。在适应性规划中，库计划（计划图中的任意节点）是搜索的起点，计划适应算法可以应用生成计划器可用的相同细化运算符，也可以从计划中撤回约束和步骤。我们的算法的完整性，确保自适应算法将最终搜索整个图形和它的系统性，确保它会这样做，而不会冗余地搜索图形的任何部分。
1995-01-01 cs.AI
LLM-Evolved Domain-Independent Heuristics for Symbolic AI Planning
本文使用进化搜索让大语言模型生成领域无关的启发式函数，在未见测试域上超越手工最优启发式，并首次系统评估了启发式的信息性-速度权衡。
2026-06-18 cs.AI
PDDL+ Planning via Constraint Answer Set Programming
Drexel University（德雷塞尔大学）；University of Genoa（热那亚大学）
PDDL+是PDDL的一个扩展，它可以用混合离散-连续动态来建模规划域。在本文中，我们提出了一种新的方法，PDDL+规划的基础上约束回答集编程（CASP），即ASP规则加数值约束。据我们所知，我们是第一次尝试连接PDDL+规划和逻辑编程。我们提供了一个编码的PDDL+模型到CASP问题。该编码可以处理非线性混合域，并为将逻辑编程应用于PDDL+规划奠定了坚实的基础。作为一个案例研究，我们考虑EZCSP CASP求解器，并获得了一组PDDL+基准问题有前途的结果。
2016-08-31 cs.AI
Automatic Induction of Bellman-Error Features for Probabilistic Planning
Purdue University（普渡大学）
领域特定的特征在整个机器学习和决策理论规划中表示问题结构是很重要的。在规划中，一旦提供了状态特征，诸如近似值迭代之类的独立于域的算法就可以学习那些特征的加权组合，这些特征通常表现得很好，作为状态值的启发式估计（例如，目标的距离）。在现实世界领域中成功的应用程序通常需要由人类专家精心制作的功能。在这里，我们提出了学习有用的特定领域的功能集，很少或没有人为干预的自动化过程。我们的方法选择和添加功能，描述状态空间区域的高度不一致的贝尔曼方程（状态贝尔曼错误）在近似值迭代。我们的方法可以使用任何实值特征假设空间和相应的学习方法来从状态值对的训练集中选择特征。我们评估的方法与假设空间定义的关系和命题特征语言，使用九个概率规划域。我们表明，近似值迭代使用的关系特征空间执行在最先进的领域独立的随机关系规划。我们的方法提供了第一个独立于域的方法，成功地玩俄罗斯方块（没有人类工程的功能）。
2014-01-16 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
Learning Domain-Independent Planning Heuristics with Hypergraph Networks
The Australian National University（澳大利亚国立大学）
我们提出了第一种能够完全从头开始学习独立于域的规划算法的方法。我们学习的算法将手头规划问题的删除松弛的超图表示映射到成本估计，该成本估计近似于通过超图从当前状态到目标的最小成本路径的成本估计。我们概括了图网络，以获得一个新的超图学习框架，我们专门通过训练从最优成本计划中获得的状态/值对来学习规划算法。我们的实验表明，由此产生的架构，STRIPS-HGNs，是能够学习的竞争力与现有的删除松弛算法，包括LM切割算法。我们表明，我们学习的知识能够概括不同的问题和领域，包括在训练过程中没有看到的领域。
2019-11-29 cs.AI cs.LG
Transfer of Deep Reactive Policies for MDP Planning
Indian Institute of Technology, Delhi（德里印度理工学院）
独立于领域的概率规划者输入一个MDP描述在一个因子化的表示语言，如PPDDL或RPDDL，并利用更快的规划表示的细节。传统的算法独立地对每个问题实例进行操作，并且不存在将经验从域的其他实例的策略转移到新实例的好方法。最近，研究人员已经开始探索使用深度反应策略，通过深度强化学习（RL）训练，用于MDP规划领域。深度反应式策略的一个优点是它们更适合迁移学习。在本文中，我们提出了第一个域独立的传输算法MDP规划域表示的Rounds表示。我们的架构利用域的符号状态配置和转换函数（可通过Rounds获得）来学习域的所有问题实例的状态和状态-动作对的共享嵌入空间。然后，我们在嵌入空间中学习RL代理，使近zero-shot传输成为可能，即，而不需要对新实例进行大量的培训，也根本不需要使用域模拟器。三个不同的基准域上的实验强调了我们的传输算法的价值。与从头开始规划和最先进的RL传输算法相比，我们的传输解决方案具有显著优越的学习曲线。
2018-10-26 cs.AI
On the Computational Complexity of Stackelberg Planning and Meta-Operator Verification: Technical Report
ILLC, University of Amsterdam（阿姆斯特丹大学逻辑、语言与计算研究院）
本文首次对Stackelberg规划进行理论复杂度分析，证明其总体不比经典规划难，但在多项式规划长度限制下复杂度更高，并探讨了任务限制下的复杂度及元算子验证问题。
2024-03-26 cs.AI
Graph Transformation Planning via Abstraction
University of Paderborn（帕德博恩大学）
现代软件系统越来越多地包含自我行为，以适应运行时环境的变化。这种调整通常涉及重新配置系统的软件架构。许多系统还需要自己管理其架构，即，他们需要一个规划组件来自主决定执行哪些重新配置以达到所需的目标配置。对于规范的重新配置，我们采用图转换系统（GTS），由于图和UML对象图的密切关系。我们解决了由此产生的规划问题的规划系统，直接在GTS。它具有独立于域的启发式，使用原始问题的抽象的解决方案长度作为估计。最后，我们提供了两个不同的域上的实验结果，这证实了我们的启发式比另一个域独立的启发式，类似于在相关工作中采用的启发式执行更好。
2014-07-30 cs.AI
Answer Set Planning Under Action Costs
TU Wien（维也纳工业大学）；University of Calabria（卡拉布里亚大学）
最近，规划的基础上回答集编程已被提出作为一种实现声明式规划系统的方法。在本文中，我们提出了语言Kc，它扩展了声明式规划语言K的行动成本。Kc提供了容许和最优计划的概念，这些计划的总行动成本在给定的限制内。所有计划中的最小值（即，最便宜的计划）。正如我们所展示的，这种新颖的语言允许以声明的方式表达一些重要的规划任务。此外，它可以用于表示规划问题下的其他最优性标准，如计算“最短”的计划（步骤数最少），和细化组合的最便宜和最快的计划。我们研究的语言KC的复杂性方面，并提供了一个转换到逻辑程序，这样的规划问题，通过答案集编程解决。此外，我们报告选定的问题的实验结果。我们的经验是令人鼓舞的，答案集规划可能是一个有价值的方法，表达规划系统中，复杂的规划问题可以自然地指定和解决。
2011-06-26 cs.AI
Optimizations for Decision Making and Planning in Description Logic Dynamic Knowledge Bases
IMT Institute for Advanced Studies（IMT高等研究院）
以工件为中心的业务流程模型最近引起了很多关注，因为它们以无缝的方式将结构（即数据相关）与动态（即流程相关）方面结合起来。然而，在这种方法下开发的许多框架并不是明确为规划而建立的，而规划是与业务流程有关的最重要的业务之一。在本文中，我们试图克服这一点，提出了一个框架，名为动态知识库，旨在通过描述逻辑为基础的本体描述丰富的业务领域，并在一组动作允许系统通过修改这样的本体发展。这个框架，通过提供行动重写和知识偏化，代表了一个可行的和正式的环境，以开发决策和规划技术，基于DL的工件为中心的业务领域。
2015-05-04 cs.AI
Learning and Tuning Meta-heuristics in Plan Space Planning
IIT Madras（印度理工学院马德拉斯分校）
近年来，规划界已经观察到，用于学习启发式函数的技术已经在性能上产生了改进。一种方法是使用离线学习来以依赖于域的方式从现有算法中学习预测模型。这些学习的模型被部署为新的启发式函数。反过来，学习的模型可以使用独立于域的纠错方法在线调整，以进一步增强其信息量。在线调优方法独立于域，但特定于实例，并有助于在规划过程中提高单个实例的性能。因此，它在更大的问题中更有效。在本文中，我们提到两种方法适用于偏序因果链接（POCL）规划，也被称为计划空间规划。首先，我们努力提高性能的POCL规划器的监督学习的算法。其次，我们讨论了POCL框架中的在线误差最小化方法，以最大限度地减少与离线学习模型相关的步进误差，从而提高其信息量。我们的评估表明，学习方法的规划器的性能超过标准的基准，特别是对于较大的问题。
2016-04-24 cs.AI
CASP Solutions for Planning in Hybrid Domains
Saint Joseph’s University（圣约瑟夫大学）；King’s College London（伦敦国王学院）；University of Genoa（热那亚大学）；Drexel University（德雷塞尔大学）
CASP是ASP的扩展，允许在规则中添加数值约束。PDDL+是一个扩展的PDDL标准语言的自动规划建模混合离散-连续动态。在本文中，我们提出了处理PDDL+问题的CASP解决方案，即，从PDDL+到CASP的编码，以及对EZCSP CASP求解器算法的扩展，以解决PDDL+域产生的CASP程序。一个实验分析，众所周知的线性和非线性的PDDL+域的变体，涉及各种配置的EZCSP求解器，其他CASP求解器，和PDDL+规划，显示了我们的解决方案的可行性。
2018-06-25 cs.AI
Determining ActionReversibility in STRIPS Using Answer Set and Epistemic Logic Programming
University of Klagenfurt（克拉根福大学）；Czech Technical University in Prague（捷克布拉格技术大学）
在关于行动和变化的规划与推理的上下文中，当一个行动的效果可以通过应用其他行动而恢复到原始状态时，我们称之为可逆的。对这一领域的重新关注已经在PDDL语言的上下文中产生了几个结果，PDDL语言广泛用于描述规划任务。在本文中，我们提出了几个解决方案的计算问题，决定可逆的行动。特别是，我们利用现有的翻译从PDDL到回答集编程（ASP），然后使用几种不同的编码来解决PDDL的PDPS片段的动作可逆性的问题。对于这些，我们使用ASP，以及认知逻辑编程（ELP），ASP与认知算子的扩展，并比较和对比它们的优点和缺点。正在考虑接受TPLP。
2021-08-11 cs.AI
LLM-Evolved Pattern Generators for Optimal Classical Planning
提出首个通过LLM驱动的进化程序合成学习可容许启发式函数的方法，用于最优经典规划，结合饱和成本分区保证A*搜索的最优性。
2026-06-01 cs.AI
The Epistemic Planning Domain Definition Language: Official Guideline
Free University of Bozen-Bolzano（博尔扎诺自由大学）；University of Oxford（牛津大学）
本文提出EPDDL语言，通过抽象事件模型统一描述知识规划任务，解决现有规划器碎片化问题，提升可比性与可重复性。
2026-04-29 cs.AI
On-line Planning and Scheduling: An Application to Controlling Modular Printers
University of New Hampshire（新罕布什尔大学）；Palo Alto Research Center（帕洛阿尔托研究中心）
我们提出了一个案例研究的人工智能技术应用于生产印刷设备的控制。像许多其他现实世界的应用程序一样，这个复杂的领域需要高速自主决策和强大的连续操作。据我们所知，这项工作是第一次成功的工业应用嵌入式域独立的时间规划。我们的系统处理执行失败和多目标偏好。其核心是一个在线算法，结合了状态空间规划和偏序调度技术。我们认为，这种一般的架构可能会证明在其他应用程序中更智能的系统在连续的，在线设置中的有用。我们的系统已用于驱动多个商业原型，并为我们的工业合作伙伴提供了新的产品架构。与最先进的离线规划器相比，我们的系统速度快数百倍，并且经常找到更好的计划。我们的经验表明，基于启发式搜索的独立于领域的人工智能规划可以在高速实际应用中灵活地处理时间、资源、重新规划和多个目标，而不需要手工编码的控制知识。
2014-01-16 cs.AI
Towards Combining HTN Planning and Geometric Task Planning
LAAS/CNRS（法国国家科学研究中心系统架构与分析实验室）
在本文中，我们提出了一个符号规划器和几何任务规划器之间的接口，这是一个标准的轨迹规划器的不同之处在于，前者是能够执行抽象的实体-任务的几何推理。我们相信，这种方法有利于一个更有原则的接口，象征性的规划，同时也留下了更多的空间，几何规划师作出独立的决定。我们展示了两个规划者如何进行接口，以及他们的规划和回溯如何交错。我们还提供了使用组合系统的方法的见解，和实验结果作为基准与未来的扩展组合系统，以及几何任务规划。
2013-07-04 cs.AI
STRIPS Planning in Infinite Domains
MIT CSAIL（麻省理工学院计算机科学与人工智能实验室）
许多机器人规划应用涉及具有高度非线性约束的连续动作，这不能使用构造命题表示的现代规划器来建模。我们介绍STRIPStream：一个扩展的CNOPS语言，可以模拟这些领域，通过支持规范的黑盒发电机处理复杂的约束。这些生成器的输出通过可能无限的对象流和静态谓词与操作交互。我们提供了两个算法，都减少了STRIPStream问题的一系列有限域规划问题。表示和算法是完全独立的域。我们证明了我们的框架上简单的说明域，然后在一个高维的，连续的机器人任务和运动规划域。
2017-05-28 cs.AI
sbp-env: Sampling-based Motion Planners' Testing Environment
School of Computer Science, The University of Sydney（悉尼大学计算机科学学院）
基于采样的运动规划器测试环境（sbp-env）是一个完整的功能框架，用于快速测试运动规划的不同基于采样的算法。战略性业务伙伴关系环境规划侧重于对框架的不同方面进行修补的灵活性，并将主要规划组成部分分为两类：（一）抽样者和（二）规划者。运动规划研究的重点主要集中在（i）提高采样效率（使用启发式或学习分布等方法）和（ii）规划器使用不同例程构建连通图的算法方面。因此，通过分离两个组件，可以快速交换不同的组件来测试新的想法。
2021-10-28 cs.AI cs.RO
Task-assisted Motion Planning in Partially Observable Domains
University of Genoa（热那亚大学）；Arizona State University（亚利桑那州立大学）
本文提出了一种基于信念空间的机器人导航任务-运动规划集成框架。自主机器人在现实世界的复杂场景中运行，需要在离散（任务）空间和连续（运动）空间中进行规划。为此，我们提出了一个框架内的混合任务规划整合信念空间推理。PDDL+的表达能力与语义驱动的语义附件相结合，在规划时执行传播和后验信念估计。讨论了开发组合混合规划器的基本方法，为改进和未来的工作提供了建议。此外，我们验证了我们的方法的关键方面，在模拟中使用一个现实的情况。
2019-08-27 cs.AI cs.RO
Plausibility-Based Heuristics for Latent Space Classical Planning
Fabalis（法巴利斯）；The University of Tokyo（东京大学）
针对LatPlan潜空间规划可能无效的问题，提出领域无关的合理性启发式（PBH），在搜索中评估状态合理性，显著提升图像拼图和汉诺塔任务的有效规划数量。
2023-06-20 cs.AI
On the Importance of Domain Model Configuration for Automated Planning Engines
Czech Technical University in Prague（布拉格捷克理工大学）；Charles University in Prague（布拉格查理大学）；University of Freiburg（弗莱堡大学）
人工智能规划社区中独立于领域的规划器的发展正在导致可用于广泛应用的“现成”技术。此外，它还允许采用模块化方法-其中规划人员和领域知识是较大软件应用程序的模块-这种方法便于替换或改进个别模块，而不改变系统的其余部分。这种方法还支持使用重构和配置技术，这些技术改变了模型的表示方式，以提高计划生成的效率。在这篇文章中，我们研究了领域无关规划器的性能如何受到领域模型配置的影响，即，模型中元素的排序顺序，特别是根据计划者的比较。然后，我们介绍了技术的在线和离线配置的领域模型，我们分析了领域模型配置的影响，对其他重新制定的方法，如宏。
2020-10-15 cs.AI
MACOptions: Multi-Agent Learning with Centralized Controller and Options Framework
The University of Texas at Dallas（德克萨斯大学达拉斯分校）
如今，自动化在各地都得到了应用。在每一种环境中，规划代理人要采取的行动是一个重要方面。在本文中，我们计划实现规划的多智能体与一个集中式控制器。我们比较了三种方法：随机策略，Q-学习，Q-学习与选项框架。我们还显示了规划器的有效性，通过显示Q-Learning与规划器和没有规划器之间的性能比较。
2023-02-07 cs.AI
Backwards State-space Reduction for Planning in Dynamic Knowledge Bases
IMT Institute for Advanced Studies（IMT高等研究院）
在本文中，我们解决的问题，规划在丰富的领域，其中知识表示是管理的复杂性和规模的规划域的一个关键方面。我们遵循的方法描述逻辑（DL）为基础的动态知识库，其中一个国家的世界是简洁地表示由一个（可能会改变）ABox和一个（固定）TBox包含的公理，和行动，允许改变的ABox的内容。计划目标是根据DL查询的满意度给出的。在本文中，我们从传统的前向规划算法，我们提出了一个更有效的变种结合向后和向前搜索。特别是，我们提出了一个向后状态空间减少技术，包括两个阶段：首先，一个抽象的规划图P创建通过使用抽象向后规划算法（ABP），然后抽象规划图P实例化到相应的规划图P通过使用正向计划实例化算法（FPI）。这样做的好处是，在初步的ABP阶段，我们产生了一个象征性的计划，这是一个模式，以指导具体计划的搜索。这可以被看作是一种知情搜索，其中初步反向阶段对于发现可以用于指导后续正向阶段的状态空间的属性是有用的。我们评估我们的ABP+FPI算法在减少探索规划域的有效性，将其与标准的前瞻性规划算法进行比较，并将它们应用到一个具体的商业案例研究。
2014-07-30 cs.AI
Symbolic Search for Optimal Planning with Expressive Extensions
Albert-Ludwigs-Universität Freiburg im Breisgau（弗莱堡阿尔伯特-路德维希大学）；University of Freiburg（弗莱堡大学）；Aalborg University（奥尔堡大学）
在经典规划中，目标是导出一个行动过程，允许智能代理从它发现自己处于的任何情况移动到满足其目标的情况。经典规划被认为是独立于域的，即，它不限于特定的应用，并且可以用于解决不同类型的推理问题。然而，在实践中，手头的规划问题的一些属性需要标准的经典规划形式主义的表达扩展来捕获和建模它们。虽然许多这些扩展的重要性是众所周知的，大多数规划，特别是最优规划，不支持这些扩展的规划形式主义。缺乏支持不仅限制了这些规划器对某些问题的使用，而且即使可以在没有这些扩展的情况下对问题进行建模，也常常导致建模工作量增加，或者由于所需的问题编码大小呈指数级增加而使建模几乎不可能。在这篇论文中，我们提出使用符号搜索成本最优规划的经典规划的不同表达扩展，所有捕获问题的不同方面。特别是，我们研究规划与公理，规划与状态相关的行动成本，超额认购规划，和top-k规划。对于所有的形式主义，我们提出的复杂性和可编译性的结果，强调它是可取的，甚至有必要原生支持相应的功能。我们分析了符号启发式搜索，并表明搜索性能并不总是受益于使用的启发式和搜索性能可以指数恶化，即使在最好的情况下，即完美的启发式。这加强了符号盲搜索是当今占主导地位的符号搜索策略，与其他国家的最先进的成本最优规划策略。
2022-04-01 cs.AI
Action Languages Based Actual Causality for Computational Ethics: a Sound and Complete Implementation in ASP
Sorbonne Université（索邦大学）；CNRS（法国国家科学研究中心）；National Institute of Informatics（国立信息学研究所）；École Normale Supérieure（巴黎高等师范学院）；Université PSL（巴黎文理研究大学）；Collège de France（法兰西公学院）
本文提出将适用于行动语言的actual causation定义（Wright的NESS测试形式化）完备可靠地翻译为逻辑编程，使智能体能在ASP中处理复杂因果关系，从而拓展计算伦理学可处理的伦理情境。
2023-05-24 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
Graph Learning for Numeric Planning
LAAS-CNRS（法国国家科学研究中心LAAS实验室）；University of Toulouse（图卢兹大学）；The Australian National University（澳大利亚国立大学）
本文提出面向数值规划的新型图核与启发式学习优化方法，实验表明其比图神经网络更高效、泛化更好，并可媲美领域无关规划器。
2025-01-07 cs.AI
Learning Portable Representations for High-Level Planning
University of the Witwatersrand（金山大学）；Brown University（布朗大学）
我们提出了一个框架，自主学习的便携式表示，描述了一个低级别的连续环境的集合。我们表明，这些抽象的表示可以在一个任务独立的自我中心的空间特定的代理，接地与特定问题的信息时，可以证明是足够的规划。我们展示了两个不同领域的转移，其中代理学习一个便携式的，任务无关的符号词汇表，以及在该词汇表中表达的规则，然后学习在每个任务的基础上实例化这些规则。这减少了学习新任务的表示所需的样本数量。
2019-05-28 cs.AI cs.LG stat.ML
A Conflict-Based Path-Generation Heuristic for Evacuation Planning
NICTA（澳大利亚国家信息与通信技术研究院）；University of Melbourne（墨尔本大学）；Ecole des Mines de Nantes（南特矿业学院）
疏散规划和调度是灾害管理和国家安全应用的一个重要方面。提出了一种基于冲突的疏散路径生成方法。其核心思想是为疏散区域惰性地生成疏散路线，并在主问题中优化这些路线上的疏散。每个新路径的生成是为了解决疏散中的冲突，并在主问题中添加新列和新行。该算法被应用到大规模的洪水情况下，在霍克斯伯里-内湖河（西悉尼，澳大利亚），需要疏散的顺序为70,000人。所提出的方法减少了变量的数量从4，500，000在一个混合规划（MIP）制定30，000的情况下，研究。通过这种方法，可以实时的近似最优地解决现实的疏散场景，支持战略，战术和作战环境中的疏散规划。
2013-09-10 cs.AI math.OC
Mixed Logical and Probabilistic Reasoning for Planning and Explanation Generation in Robotics
The University of Auckland（奥克兰大学）
机器人在复杂的领域中帮助人类，必须在感觉运动水平和社会水平上代表知识和理性。本文所描述的架构耦合的非单调逻辑推理能力的声明性语言与概率信念修订，使机器人表示和推理的定性和定量的描述知识和程度的信念。具体来说，不完整的领域知识，包括在所有，但少数例外情况下，持有的信息，表示为一个答案集Prolog（ASP）程序。通过求解该程序获得的答案集用于推理、规划和联合解释（a）由于外源动作引起的意外动作结果和（b）从传感器输入提取的部分场景描述。对于任何给定的任务，答案集中包含的计划中的每个动作都是按概率执行的。自动识别与动作相关的域的子集，并且从传感器输入中提取的观测对在该域子集上定义的置信分布执行增量贝叶斯更新，其中高度可能的置信被提交给ASP程序。该体系结构的能力，说明在模拟和移动机器人的上下文中的机器人服务员在餐厅的餐厅。
2015-08-01 cs.AI cs.LO cs.RO
An ASP-based Solution to the Medical Appointment Scheduling Problem
University of Pisa, Italy（意大利比萨大学）；Department of Information Engineering, Computer Science（信息工程系）；Mathematics, University of L’Aquila,Italy（数学，意大利拉奎拉大学）
本文提出基于ASP的医疗预约安排框架，通过整合Blueprint Personas实现个性化安排，提升效率并减少行政负担。
2026-01-07 cs.AI cs.LO
Towards Multi-Robot Task-Motion Planning for Navigation in Belief Space
University of Genoa（热那亚大学）
自主机器人在大型知识密集型领域中运行，需要在离散（任务）空间和连续（运动）空间中进行规划。在知识密集型领域，一方面，机器人必须在最高级别上进行推理，例如要导航到的区域或要拾取的对象及其属性;另一方面，必须在控制器执行级别上检查相应导航任务的可行性。此外，采用多个机器人提供比执行相同任务的单个机器人增强的性能能力。为此，我们提出了一个集成的多机器人任务运动规划框架导航知识密集型领域。特别是，我们认为一个分布式的多机器人设置机器人之间的相互观察。该框架旨在用于运动和感知不确定性下的运动规划，其正式名称为信念空间规划。基本的方法和它的局限性进行了讨论，为改进和未来的工作提供了建议。我们验证我们的方法在模拟的关键方面。
2020-10-01 cs.AI cs.RO
Domain Authoring Assistant for Intelligent Virtual Agents
Rutgers University（罗格斯大学）；Disney Research（迪士尼研究院）
近年来，开发智能虚拟角色吸引了很多关注。创建此类角色的过程通常涉及一组创造性作者，他们用自然语言描述角色的不同方面，以及将此描述转换为规划域的规划专家。这可能是相当具有挑战性的，因为创意作者团队应该努力定义角色的每个方面，特别是如果它包含复杂的人类行为。此外，一组工程师必须手动将角色个性的自然语言描述翻译为规划领域知识。这可能是非常时间和资源的要求，并可能是一个障碍，作者的创造力。本文的目标是介绍一个创作辅助工具，自动化的领域生成过程中，从自然语言描述的虚拟人物，从而创造性的创作团队和规划领域专家之间的桥梁。此外，所提出的工具还确定可能的缺失信息的域描述和迭代地向作者提出建议。
2019-04-05 cs.AI cs.CL cs.MA
CAMPs: Learning Context-Specific Abstractions for Efficient Planning in Factored MDPs
MIT Computer Science and Artificial Intelligence Laboratory（麻省理工学院计算机科学与人工智能实验室）；KAIST Graduate School of AI（韩国科学技术院人工智能学院）
元规划，或从经验中学习指导规划，是一种有前途的方法，以提高规划的计算成本。一般的元规划策略是学习对代理所考虑的状态和所采取的行动施加约束。我们观察到，（1）施加约束可以诱导特定于上下文的独立性，使域的某些方面不相关，（2）代理可以通过对自己的行为施加约束来利用这一事实。这些观察使我们提出了上下文特定的抽象马尔可夫决策过程（CAMP），一个抽象的因素MDP，提供有效的规划。然后，我们描述了如何学习约束，使CAMP优化奖励和计算成本之间的权衡。我们的实验考虑了四个领域的五个规划者，包括机器人在可移动障碍物之间的导航（NAMO），机器人任务和顺序操作的运动规划，以及经典规划。我们发现，使用学习过的CAMP进行规划，可以始终优于基线，包括Stilman的NAMO特定算法。视频：https://youtu.be/wTXt6djcAd4代码：https://git.io/JTnf6
2020-11-08 cs.AI cs.LG cs.RO
Cognitive Offloading in Agile Teams: How Artificial Intelligence Reshapes Risk Assessment and Planning Quality
University of Massachusetts Amherst（马萨诸塞大学阿姆赫斯特分校）
本文通过实验比较AI、人类和混合规划模型，发现AI虽高效但风险评估差，人类虽灵活但成本高，提出混合框架提升规划质量。
2026-04-15 cs.AI cs.HC
A Maximum Independent Set Method for Scheduling Earth Observing Satellite Constellations
Stanford University（斯坦福大学）
运行地球观测卫星需要协调多个航天器活动的有效规划方法。卫星任务规划问题需要选择最能满足任务目标的自主执行行动。任务调度通常由人工操作员在启发式或基于规则的规划工具的帮助下执行。这种方法不能有效地扩展到多个资产，因为物流经常无法在长期内适当地协调多个车辆的动作。此外，对于大型星座，问题变得更加难以解决，因为问题的复杂性在所请求的观测数量上呈指数级变化，在航天器数量上呈线性变化。预计新的商业光学和雷达成像星座将需要自动规划方法，以满足规定的响应能力和吞吐量目标。本文介绍了一种新的方法来解决卫星调度问题，通过生成一个基于不可行性的图表示的问题，并找到一个最大的独立集的顶点图。该方法是测试的场景多达10,000个请求成像位置的天空卫星星座的光学卫星，以及模拟星座多达24颗卫星。性能与当代图遍历和混合整数线性规划方法进行比较。实证结果表明，改进的解决方案的时间以及预定的集合超过基线方法的数量。对于大型问题，最大独立集方法能够找到一个可行的时间表，在75%的时间内收集8%以上。
2020-08-15 cs.AI cs.SY eess.SY
SDA-PLANNER: State-Dependency Aware Adaptive Planner for Embodied Task Planning
Beihang University（北航）；Guangxi Normal University（广西师范大学）
针对现有基于LLM的具身任务规划器存在的固定范式、缺动作约束、无错误感知的问题，提出SDA-PLANNER，通过状态依赖图与错误自适应重规划提升规划成功率与完成度。
2025-09-30 cs.AI cs.CV cs.RO
Finding Similar/Diverse Solutions in Answer Set Programming
Vienna University of Technology（维也纳工业大学）；Sabanci University（萨班哲大学）
对于某些计算问题（例如，产品配置、规划、诊断、查询应答、遗传学重构）计算一组相似/不同的解决方案对于更好的决策可能是期望的。基于这一动机，我们在答案集编程（ASP）的背景下研究了该问题的几个决策/优化版本，分析了它们的计算复杂性，并引入了离线/在线方法来计算给定距离函数下此类计算问题的相似/不同解.所有这些方法都依赖于通过为描述问题的ASP程序找到答案集来计算问题的解决方案的想法。离线方法使用ASP求解器（如Clasp）使用问题的ASP公式提前计算所有解决方案，然后使用聚类方法识别相似/不同的解决方案。在线方法计算类似/不同的解决方案以下三种方法之一：通过重新制定的ASP表示的问题，以计算类似/不同的解决方案一次使用ASP求解器;通过计算类似/不同的解决方案迭代（一个接一个）使用ASP求解器;通过修改搜索算法的ASP求解器计算类似/不同的解决方案增量。我们修改了Clasp来实现最后一个在线方法，并将其称为Clasp-NK。在前两种在线方法中，给定的距离函数用ASP表示;在最后一种方法中，它是用C++实现的。我们展示了这些方法在印欧语言相似/不同的同源性重建上的适用性和有效性，以及在Blocks World中的几个规划问题上的适用性和有效性。我们观察到，在计算效率方面，最后一个在线方法优于其他方法;当距离函数不能在ASP中表示时，它还允许我们计算类似/不同的解决方案。
2011-08-16 cs.AI cs.LO cs.PL
Model-based Reinforcement Learning: A Survey
Leiden University（莱顿大学）；TU Delft（代尔夫特理工大学）
序列决策通常形式化为马尔可夫决策过程（MDP）优化，是人工智能中的一个重要挑战。解决这个问题的两个关键方法是强化学习（RL）和规划。本文介绍了这两个领域的整合，更好地称为基于模型的强化学习的调查。基于模型的RL有两个主要步骤。首先，我们系统地介绍了动态模型学习的方法，包括处理随机性、不确定性、部分可观测性和时间抽象等挑战。其次，我们提出了一个系统的分类规划学习集成，包括这样的方面：从哪里开始规划，什么预算分配到规划和真正的数据汇集，如何规划，以及如何整合规划的学习和行动循环。在这两个部分之后，我们还讨论了隐式的基于模型的强化学习作为模型学习和规划的端到端替代方案，并介绍了基于模型的强化学习的潜在好处。在此过程中，调查还与几个相关的RL领域建立了联系，如分层RL和迁移学习。总而言之，调查提出了一个广泛的概念概述的MDP优化的规划和学习相结合。
2022-03-31 cs.AI cs.LG stat.ML
Factorization of Multi-Agent Sampling-Based Motion Planning
ETH Zürich（苏黎世联邦理工学院）
本文将因子分解概念集成到基于采样的算法中，通过启发式将智能体子集解耦至独立低维空间，将搜索空间维度增长从指数级降至线性，在保持最优性与完整性同时减少所需样本。
2023-04-01 cs.AI cs.MA cs.RO
TwoStep: Multi-agent Task Planning using Classical Planners and Large Language Models
University of Southern California（南加州大学）
本研究提出TwoStep方法，结合经典规划器与LLM，通过LLM进行多智能体目标分解，实现比直接求解多智能体PDDL更快的规划时间，同时减少执行步骤并保证执行成功，效果接近人类专家分解。
2025-03-25 cs.AI cs.CL cs.MA
Deep Visual Reasoning: Learning to Predict Action Sequences for Task and Motion Planning from an Initial Scene Image
University of Stuttgart（斯图加特大学）；Max-Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）；TU Berlin（柏林工业大学）
在本文中，我们提出了一种深度卷积递归神经网络，它可以从初始场景图像中预测任务和运动规划（TAMP）的动作序列。典型的TAMP问题通过将符号、离散级（例如一阶逻辑）上的推理与连续运动规划（例如非线性轨迹优化）相结合来形式化。由于可能的离散动作序列的巨大组合复杂性，必须解决大量的优化/运动规划问题以找到解决方案，这限制了这些方法的可扩展性。为了规避这种组合的复杂性，我们开发了一个神经网络，根据场景的初始图像，直接预测有前途的离散动作序列，理想情况下，只有一个运动规划问题必须得到解决，找到一个解决方案，以整体TAMP问题。一个关键的方面是，我们的方法可以推广到具有许多不同数量的对象的场景，尽管一次只训练两个对象。这可以通过将图像中的场景对象编码为神经网络的输入而不是固定的特征向量来实现。结果表明，运行时的几个数量级的改进。视频：https://youtu.be/i8yyEbbvoEk
2020-06-09 cs.AI cs.CV cs.LG
