The Metric-FF Planning System: Translating "Ignoring Delete Lists" to Numeric State Variables
多年来,使用数值状态变量进行规划一直是一项挑战,并且是第三届国际规划竞赛(IPC-3)的一部分。目前,最流行的和成功的算法技术之一,在CNOPS规划是引导搜索的启发式功能,其中的启发式是基于放松的规划任务,忽略删除列表的可用动作。我们提出了一个自然的扩展“忽略删除列表”的数值状态变量,保持相关的理论性质的条件下,手头的数值任务是单调的。然后,我们确定了一个子集的数值IPC-3的竞争语言,“线性任务”,其中单调性可以通过预处理来实现。在此基础上,我们将启发式规划系统FF中的算法扩展到线性任务。由此产生的系统Metric-FF是,根据IPC-3的结果,我们讨论,目前最有效的两个数字规划。
2011-06-26 cs.AI
Subgoaling Relaxation-based Heuristics for Numeric Planning with Infinite Actions
本文提出一种方法,将带有无限动作的数值规划问题转换为简单任务,利用子目标启发式方法进行有效求解。
2025-12-26 cs.AI
Gradient-Based Mixed Planning with Symbolic and Numeric Action Parameters
Sun Yat-sen University(中山大学);Arizona State University(亚利桑那州立大学)
在现实世界的动态环境中处理逻辑关系和数值变化的规划问题是具有挑战性的。现有的求解该问题的数值规划系统往往对数值变量进行离散化处理或对数值变量施加凸约束,从而影响了问题的求解性能。提出了一种基于梯度下降的求解混合逻辑关系和数值变化的数值规划问题的算法框架。我们将具有逻辑关系和数值变化的数值规划问题转化为一个优化问题。具体来说,我们扩展语法,允许动作模型的参数是对象或实值数字,这增强了模拟真实世界的数字效果的能力。基于扩展的建模语言,我们提出了一个基于梯度的框架,同时优化数值参数和计算适当的行动,形成候选计划。基于梯度的框架由基于命题操作的算法启发式模块、算法转换模块和损失计算模块组成,其中算法启发式模块用于选择动作并生成梯度下降的约束,算法转换模块用于将状态更新到下一个状态,损失模块用于计算损失。我们通过更新数值参数和计算候选计划来重复最小化损失,直到它收敛为规划问题的有效计划。在实证研究中,我们表明,我们的算法框架是有效的和高效的解决规划问题的逻辑关系和数值变化混合,特别是当问题包含障碍和非线性数值效应。
2022-10-09 cs.AI
Temporal Numeric Planning with Patterns
研究PDDL2.1 level 3时序数值规划,提出生成SMT公式的方法,将带模式规划扩展至时序场景,证明其正确完备性且在10个需并发领域表现优异。
2024-12-18 cs.AI
Multi-Valued Partial Order Plans in Numeric Planning
RWTH Aachen University(亚琛工业大学)
本文研究数值规划不可判定性,通过将受限任务重构为搜索问题并引入多值偏序规划这一紧凑表示,利用启发式方法找到NP完全片段,并优化以支持软前置条件。
2023-07-27 cs.AI
Lifted Successor Generation in Numeric Planning
扩展经典规划的提升后继生成器以支持数值前提,通过枚举替换一致性图最大团生成接地动作,在保证完备性下解决接地爆炸问题。
2025-11-01 cs.AI
Opportunistic Qualitative Planning in Stochastic Systems with Incomplete Preferences over Reachability Objectives
University of Florida(佛罗里达大学)
当不能同时满足所有约束时,偏好在确定要满足哪些目标/约束方面起着关键作用。在本文中,我们研究如何合成的偏好满足计划的随机系统,建模为MDP,给定一个(可能不完全)组合偏好模型的时间扩展的目标。我们首先引入新的语义来解释偏好的随机系统的无限播放。然后,我们引入了一个新的概念的改进,使两个前缀之间的比较无限发挥。在此基础上,我们定义了两个解决方案的概念,称为安全和积极改善(SPI)和安全和几乎肯定改善(SASI),执行改进的积极概率和概率分别为1。我们构建了一个称为改进MDP的模型,在该模型中,保证至少有一个改进的SPI和SASI策略的合成减少到计算MDP中的积极和几乎肯定获胜的策略。我们提出了一个算法来合成SPI和SASI策略,诱导多个顺序的改进。我们证明了所提出的方法使用机器人运动规划问题。
2022-10-04 cs.AI cs.GT cs.RO
Symbolic Numeric Planning with Patterns
Politecnico di Torino(都灵理工大学);Università di Genova(热那亚大学);Università della Calabria(卡拉布里亚大学)
提出符号模式规划方法解决线性数值规划问题,通过动作序列模式将问题编码为变量和子句更少的公式,证明其完备性,并在IPC竞赛问题上表现优异。
2024-02-12 cs.AI
Compiling Temporal Numeric Planning into Discrete PDDL+: Extended Version
本文提出了一种将时间数值规划编译为离散PDDL+的方法,该方法在多项式时间内运行,保留计划长度至常数因子,并在实际应用中有效解决复杂的时间数值问题。
2026-03-12 cs.AI
A Hybrid LP-RPG Heuristic for Modelling Numeric Resource Flows in Planning
King’s College London(伦敦国王学院)
虽然使用度量fluents是许多实际规划问题的基础,但支持全自动规划人员使用这些fluents的算法研究仍然相对未被探索。最广泛使用的启发式算法是将度量流松弛为区间值变量-这个想法是十年前首次提出的。其他的语法依赖于提供关于流畅度的附加信息的域编码,例如容量限制或其他资源相关的注释。这些方法面临的一个特殊挑战是如何处理代表交换的度量流之间的相互作用,例如将大量原材料转化为大量加工产品,或以货币交换材料。在这些情况下,通常的度量流畅性放松往往非常差,因为它没有认识到资源一旦花费,就不再可以再次花费。我们提出了一个启发式的数字规划问题的命题放松规划图的基础上,但使用的数学程序的数字推理。我们定义了一类生产者-消费者规划问题,并演示了如何在这些数字约束可以建模在一个混合整数规划(MIP)。该MIP然后与度量松弛规划图(RPG)启发式算法相结合,产生一个集成的混合启发式算法。MIP比通常的放松更准确地跟踪资源使用,但放松了行动的顺序,而RPG则捕获了问题的因果命题方面。我们讨论了这两个组件如何相互作用,产生一个统一的启发式,并继续探索如何进一步的数字功能的规划问题可以集成到MIP。我们表明,编码命题问题的一个有限的子集,以增加MIP可以产生更准确的指导,部分利用结构,如命题地标和命题资源。我们的研究结果表明,使用这种启发式算法提高了问题的可扩展性,其中数字资源交互是找到解决方案的关键。
2014-02-04 cs.AI
Efficient Temporal Piecewise-Linear Numeric Planning with Lazy Consistency Checking
University of Malta(马耳他大学);British Antarctic Survey(英国南极调查局);Schlumberger Cambridge Research(斯伦贝谢剑桥研究院)
时间规划通常涉及与其行动持续时间成正比的数字效果。这些效应包括连续效应,其中数值变量在执行动作时受到变化率的影响,以及离散的持续时间依赖效应,其中变量即时更新,但这种变化的幅度是根据动作的持续时间计算的。当这些影响是线性的时,最先进的时间规划者通常使用线性规划来确保这些数字更新与计划行动的选定开始时间和持续时间一致。这通常作为搜索过程的一部分对每个评估状态进行。这种详尽的方法无法扩展到解决需要长期计划的现实问题,因为线性规划的大小会变得更大,解决起来也更慢。在这项工作中,我们提出的技术,通过计算这些检查更有选择性地减少这种开销,并制定线性规划,有一个较小的足迹。这些技术的有效性证明域使用离散和连续的效果,这是典型的现实世界的规划问题的混合。由此产生的规划也优于大多数国家的最先进的时间数字和混合规划,在覆盖范围和可扩展性。
2022-01-31 cs.AI
RAMP: Hybrid DRL for Online Learning of Numeric Action Models
Ben-Gurion University of the Negev(内盖夫本-古里安大学)
RAMP通过环境交互在线学习数字规划动作模型,结合深度强化学习策略、动作模型学习和规划,形成正反馈循环提升求解能力和计划质量。
2026-04-09 cs.AI
COLIN: Planning with Continuous Linear Numeric Change
King’s College London(伦敦国王学院)
在本文中,我们描述了COLIN,一个向前链接的启发式搜索规划,能够推理与连续线性数值变化,除了完整的时间语义的PDDL。通过这项工作,我们提出了两个进步的国家的最先进的表达推理能力的规划者:连续线性变化的处理,并结合持续时间不等式,这两个都需要紧密耦合的时间和数值推理在规划过程中的持续时间相关的影响的处理。COLIN结合了FF风格的前向链搜索,使用线性规划(LP)来检查每个状态下相互作用的时间和数值约束的一致性。LP用于计算每个状态下变量值的界限,从而减少应用时需要考虑的操作范围。此外,我们开发了一个扩展的时间松弛规划图启发式的CRIKEY3,支持推理直接与连续变化。我们扩展的范围内的任务变量被认为是合适的候选人指定的梯度的连续数值变化的影响的行动。最后,我们探讨了潜在的采用混合整数规划作为优化的时间戳的行动计划中的工具,一旦一个解决方案已经找到。为了支持这一点,我们进一步贡献了选择扩展的基准域,包括连续的数字效果。我们目前的结果COLIN证明其可扩展性的基准范围内,并比较现有的国家的最先进的规划师。
2014-01-23 cs.AI
Integrating Reinforcement Learning, Action Model Learning, and Numeric Planning for Tackling Complex Tasks
Ben-Gurion University of the Negev(内盖夫本-古里安大学)
本文面向数值规划中的领域模型获取难题,在 Minecraft 离线与在线任务中结合 NSAM、数值规划及提出的 RAMP,证明模型学习与强化学习协同可提升长期规划、泛化和求解效率。
2025-02-18 cs.AI
An Experimental Comparison of Numerical and Qualitative Probabilistic Reasoning
Institute for Decision Systems Research(决策系统研究所);Stanford University(斯坦福大学)
定性和无穷小概率方案与概率论的公理一致,但避免了对精确数值概率的需要。使用定性概率可以大大减少知识工程的工作量,提高结果的鲁棒性。我们实验研究如何以及无穷小的概率(kappa演算的Goldszeland和珍珠)执行诊断任务-故障排除的汽车,将无法启动与传统的数值信念网络比较。我们发现,在识别真正的故障的无穷小方案是一样好的数值方案。无穷小方案的性能显着的先验故障概率大于0.03。这些结果表明,无穷小概率方法可能是具有很大的实用价值的机器诊断与小的先验故障概率。
2013-02-27 cs.AI
Symbolic Pattern Temporal Numeric Planning with Intermediate Conditions and Effects
本文提出了一种扩展的符号模式规划方法,用于处理具有中间条件和效果的时间规划问题,实验显示其在多个领域表现优异。
2026-02-10 cs.AI
Dynamic Tree Databases in Automated Planning
Oliver Joergensen(1 奥利弗·乔尔金森);Dominik Drexler(2 朵米克·德雷克斯勒);Jendrik Seipp(3 班德里克·塞普)
针对自动规划中显式状态空间搜索的状态紧凑表示难题,提出新型动态树数据库,证明其保留静态树数据库特性,实验显示其压缩比达数个数量级且运行开销可忽略。
2025-11-16 cs.AI
An Automatic Sound and Complete Abstraction Method for Generalized Planning with Baggable Types
Sun Yat-sen University(中山大学)
针对广义规划自动抽象难以保证可靠性和完备性的问题,提出一种基于有界QNP(BQNP)的自动可靠且完备的抽象方法,通过为不可区分对象元组引入计数器,证明了在适当可装包域中精炼规划可解决原问题,实验验证了其有效性。
2025-01-30 cs.AI
HDDL 2.1: Towards Defining an HTN Formalism with Time
University Grenoble Alpes(格勒诺布尔阿尔卑斯大学);ONERA(法国航空航天实验室)
现实世界中的规划应用,如工业和机器人,需要建模丰富多样的场景。它们的解决通常需要协调和并发的行动执行。在某些情况下,这样的规划问题自然地分解成一个层次的方式和层次任务网络(HTN)的形式主义表示。用于指定规划域的PDDL语言已经发展到涵盖不同的规划范例。然而,在确定解决方案时,在数字和时间限制并存的情况下,制定真实和复杂的情景仍然是一个挑战。我们的建议旨在填补现有规划语言与业务需求之间的差距。为此,我们建议从PDDL 2.1和ANML中汲取灵感,扩展HDDL以表达时间和数值表达式。本文讨论的语义和语法需要扩展HDDL,并说明这些需求与地球观测卫星规划问题的建模。
2022-06-03 cs.AI
Cloth Manipulation Planning on Basis of Mesh Representations with Incomplete Domain Knowledge and Voxel-to-Mesh Estimation
Shinshu University(信州大学)
我们考虑机器人布料操作的开放目标规划问题。我们的系统的核心是一个神经网络训练作为一个前向模型的布料行为下操纵,规划通过反向传播执行。我们引入了一个基于神经网络的例程,用于从体素输入估计网格表示,并在内部以网格格式执行规划。我们解决的问题,规划与不完整的领域知识,通过一个明确的认知不确定性信号。该信号是根据前向模型网络的两个实例之间的预测偏差计算的,并用于避免规划期间的认知不确定性。最后,我们介绍了逻辑处理限制的把握点的一组离散的候选人,以适应机器人硬件施加的可抓取性约束。我们评估系统的网格估计,预测和规划能力模拟布序列的一到三个操作。比较实验证实,估计网格的基础上的规划,提高精度相比,基于体素的规划,和认知不确定性的避免提高性能的条件下,不完整的领域知识。规划的时间成本是几秒钟。我们还提出了机器人硬件的定性结果。
2021-11-12 cs.AI cs.RO
MinePlanner: A Benchmark for Long-Horizon Planning in Large Minecraft Worlds
University of the Witwatersrand(金山大学);Brown University(布朗大学);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)
提出基于 Minecraft 的规划任务新基准 MinePlanner,包含 45 个任务并支持自动创建新实例,测试表明现有先进规划器无法应对数千对象等挑战,指明了未来改进方向。
2024-04-28 cs.AI
Learning Sketches for Decomposing Planning Problems into Subproblems of Bounded Width: Extended Version
Universitat Pompeu Fabra(庞培法布拉大学)
最近,草图已经被引入作为一种通用语言,用于表示从同一领域中提取的实例的子目标结构。草图是给定特征集上C -> E形式的规则集合,其中C表示布尔条件,E表示定性变化。每个草图规则定义了一个子问题:从满足C的状态到实现E或目标状态所表达的变化的状态。草图可以编码简单的目标序列化、一般策略或有界宽度的分解,这些可以通过SIW算法的SIW_R变体在多项式时间内以greedy方式求解。以前的工作已经表明,在基准领域的草图的计算价值,而听话的,是具有挑战性的领域独立的规划。在这项工作中,我们解决的问题,自动学习草图给定的规划域,目标类的问题,和所需的约束上的草图宽度的一些实例。我们提出了一个逻辑制定的问题,使用ASP求解器Clingo的实施,和实验结果。草图学习器和SIW_R规划器产生了一个独立于领域的规划器,它以清晰明确的形式学习和利用领域结构。
2022-03-28 cs.AI
HDDL 2.1: Towards Defining a Formalism and a Semantics for Temporal HTN Planning
University of Grenoble Alpes(格勒诺布尔阿尔卑斯大学);ONERA(法国航空航天研究院);University of Toulouse(图卢兹大学)
针对现有HDDL无法表示数值与时序约束、难以满足现实应用需求的问题,本文借鉴PDDL 2.1扩展HDDL以支持相关表达式,并围绕HDDL 2.1的语法与语义展开讨论,推动时序HTN规划形式化体系建设。
2023-06-12 cs.AI
WORKSWORLD: A Domain for Integrated Numeric Planning and Scheduling of Distributed Pipelined Workflows
本文提出WORKSWORLD领域,用于永久调度工作流的数值无关规划器,通过定义数据源、组件和目标,解决联合规划与调度问题,实验证明在普通硬件上可处理最多14个组件的线性链工作流。
2026-03-18 cs.AI cs.DC
Guarantees for Sound Abstractions for Generalized Planning (Extended Paper)
Universidad Simón Bolívar(西蒙玻利瓦尔大学);Universidad Carlos III de Madrid(马德里卡洛斯三世大学)
广义规划是关于寻找解决规划实例集合的计划,通常是无限集合,而不是单个实例。最近,它已被证明如何减少规划问题的广义规划的规划问题的定性数值问题;后者是一个重新制定,同时捕捉所有的实例中的集合。因此,一个重要的研究思路在于自动地找到这种重新表述或抽象。最近的一个建议是从集合中的实例的有限和小的转换样本中归纳地学习抽象。然而,在所有归纳过程中,学习的抽象不能保证对整个集合都是正确的。在这项工作中,我们解决了这个限制,通过执行的抽象分析,相对于收集,并展示如何获得正式的保证泛化。这些保证,以一阶公式的形式,可以用于1)定义实例的子集,在这些子集上保证抽象是合理的,2)在某些假设下获得推广的必要条件,以及3)为规划问题自动合成复杂的不变量。我们的框架是通用的,它可以扩展或与其他方法相结合,它有超越广义规划的应用程序。
2019-05-31 cs.AI cs.LO
Two Constraint Compilation Methods for Lifted Planning
Oxford Robotics Institute, University of Oxford(牛津大学牛津机器人研究所);University of Brescia(布雷西亚大学)
本文提出两种无需地面化的约束编译方法,用于提升大规模规划问题的效率和规范简洁性。
2026-02-20 cs.AI cs.SC
Learning Safe Numeric Planning Action Models
Software and Information Systems Engineering, Ben-Gurion University of the Negev(本·古里安大学软件与信息系统工程系);Department of Computer Science and Engineering, Washington University(华盛顿大学计算机科学与工程系)
本文提出N-SAM及N-SAM*算法,用于学习安全的数值规划动作模型,在保证安全性的前提下扩展了动作适用性,并在样本复杂度上达到最优。
2025-07-15 cs.AI cs.LG
Temporal Planning with Incomplete Knowledge and Perceptual Information
Edinburgh Centre for Robotics(爱丁堡机器人中心);Heriot-Watt University(赫瑞-瓦特大学);The University of Edinburgh(爱丁堡大学)
在现实世界的应用程序中,推理不完整的知识,感知,时间概念和数字约束的能力是至关重要的。虽然有几个人工智能规划者能够处理其中的一些要求,但它们大多限于特定类型的约束问题。本文提出了一种新的规划方法,结合应急计划建设的时间规划框架内,提供解决方案,考虑数值约束和不完整的知识。我们提出了一个小的扩展规划域定义语言(PDDL)模型(i)不完整,(ii)知识感知行动,操作在未知的命题,(iii)可能的结果,从非确定性的感知效果。我们还引入了一组新的规划域来评估我们的求解器,它在各种问题上表现出良好的性能。
2022-07-20 cs.AI cs.RO
PLANTS: A Novel Problem and Dataset for Summarization of Planning-Like (PL) Tasks
University of South Carolina(南卡罗来纳大学)
针对规划类任务提出新的摘要生成问题、数据集及基线方法,通过定量与定性评估验证其有效性,旨在重振摘要研究。
2024-07-18 cs.AI cs.CL
Numerical Integration and Dynamic Discretization in Heuristic Search Planning over Hybrid Domains
University of Melbourne(墨尔本大学);Australian National University(澳大利亚国立大学)
在本文中,我们期待在混合域的规划问题,其中的变化可以是离散的和瞬时的,或连续的时间。此外,还要求由计划的执行引起的轨迹上的每个状态符合给定的全局约束集合。我们的方法计算计划等领域的问题搜索确定性的状态模型。在该模型中,一些后继状态通过数值求解由当前计划前缀给出的一组常微分方程(ODE)上的所谓初值问题来获得。这些方程在持续时间动态确定的时间间隔内保持不变,根据是否发生过零事件的一组不变条件。由此产生的计划,FS+,结合了这些功能与有效的启发式指导。FS+不施加任何语法限制的过程中经常发现现有的混合规划文献的影响。我们的方法的一个关键概念是,一个明确的分离之间的规划和模拟的时间步骤。前者是在承诺未来行动之前允许观察给定动力系统演化的时间,而后者是环境模型的一部分。FS+被证明是一个强大的计划在一组不同的混合域,从现有的文献混合规划和系统。
2017-03-13 cs.AI cs.SY eess.SY
Multi-Agent Motion Planning using Deep Learning for Space Applications
NASA Jet Propulsion Laboratory, California Institute of Technology(美国国家航空航天局喷气推进实验室,加州理工学院);University of Texas at Arlington(德克萨斯大学阿灵顿分校)
最先进的运动规划器无法扩展到大量系统。多智能体的运动规划是一个NP(non-deterministic polynomial-time)困难问题,计算时间随着智能体数量的增加而呈指数增长。这种计算需求是一个主要的绊脚石,运动规划的应用程序,未来的NASA任务,涉及成群的太空飞行器。我们应用深度神经网络将计算要求高的数学运动规划问题转换为基于深度学习的数值问题。我们发现,在具有多个代理的几个2D和3D系统中,可以使用基于深度学习的数值模型准确地复制最佳运动轨迹。基于深度学习的数值模型显示出卓越的计算效率,生成的计划比数学模型快1000倍。
2020-10-15 cs.AI cs.LG cs.RO
A Model for Optimal Resilient Planning Subject to Fallible Actuators
Texas A&M University(德克萨斯农工大学)
该研究在 MDP 框架中建模易故障执行器的使用相关失效,利用配置间问题结构复用进行计算,并生成可保留关键执行器的弹性策略。
2024-05-18 cs.AI cs.RO
Beyond Manual Planning: Seating Allocation for Large Organizations
本文提出了一种端到端框架,利用概率道路图和快速探索随机树结合启发式搜索和动态规划,解决大型组织的分层座位分配问题,以提高座位安排的效率和优化程度。
2026-02-05 cs.AI math.OC
Keypoint-based Diffusion for Robotic Motion Planning on the NICOL Robot
Dept. of Informatics, University of Hamburg(信息学院,汉堡大学)
提出一种基于扩散的动作模型用于NICOL机器人运动规划,通过学习数值规划器生成的数据集,在不使用点云编码的情况下,运行时间比数值模型快一个数量级,且无碰撞成功率达90%。
2025-09-16 cs.AI cs.RO