Behaviour Planning: A Toolkit for Diverse Planning
School of Computer Science, University of St Andrews, United Kingdom(计算机科学学院、圣安德鲁大学、英国)
本文提出行为规划工具包,通过n维网格特征建模多样性,支持经典、过度订阅及数值规划,实证优于现有方法。
2025-06-19 cs.AI
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
Expectation-Aware Planning: A Unifying Framework for Synthesizing and Executing Self-Explaining Plans for Human-Aware Planning
Arizona State University(亚利桑那州立大学);IBM Research AI(IBM人工智能研究院)
在这项工作中,我们提出了一种新的规划形式主义,称为预期感知规划决策与人类在循环中的人的期望代理可能会有所不同,从代理自己的模型。我们展示了这种配方如何允许代理不仅利用现有的策略来处理模型差异,而且还可以表现出通过这些不同策略的组合产生的新行为。我们的提法也揭示了一个深刻的连接到现有的方法在认知规划。具体来说,我们将展示如何利用经典的规划编制的认知规划,以解决预期意识规划问题。据我们所知,拟议的配方是第一个完整的解决方案,决策存在分歧的用户的期望,是服从一个经典的规划汇编,同时成功地结合以前的作品解释和可解释性。我们经验性地展示了我们的方法如何提供比现有近似方法更好的计算优势,这些方法不必要地尝试在模型空间中搜索,同时也无法促进我们框架所支持的全部行为。
2019-11-11 cs.AI
An Integrated Development Environment for Planning Domain Modeling
Sun Yat-sen University(中山大学)
为了使规划领域和规划问题的任务描述对非规划专家更加全面,近年来,规划领域建模采用了可视化表示方法。然而,目前的可视化建模知识工程工具,如itSIMPLE(Vaquero et al. 2012)和VIZ(Vodrážka and Chrpa 2010),比传统的PDDL专家使用文本编辑器手工编码的方法效率更低,并且很少根据计划验证对计划域进行微调。针对这一问题,本文在SIMPLE和VIZ的启发下,提出了一个规划领域可视化建模集成开发环境KAVI,该环境利用抽象领域知识库提高了规划领域可视化建模的效率。通过集成规划器和规划验证器,KAVI提出了一种基于规划验证的规划域微调方法。
2018-04-19 cs.AI
Compact Policies for Fully-Observable Non-Deterministic Planning as SAT
University of Massachusetts(马萨诸塞大学);ICREA;Universitat Pompeu Fabra(庞培法布拉大学)
完全可观测的非确定性(FOND)规划正变得越来越重要,作为一种方法来计算适当的政策,在概率规划,LTL规划的扩展时间计划,广义规划的一般计划。在这项工作中,我们引入了一个SAT编码FOND规划,是紧凑的,可以产生紧凑的强循环的政策。编码的简单变化也被引入用于强规划和我们所谓的双重FOND规划,其中一些不确定的动作被假设为公平的(例如,概率性的)和其它不公平的(例如,对抗性的)。由此产生的FOND规划者与现有的规划者在现有的和新的基准经验进行比较。“概率有趣的问题”的概念也重新审视,以产生一个更全面的图片的优势和局限性,目前FOND规划和拟议的SAT方法。
2018-06-25 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
Robust Hierarchical Planning with Policy Delegation
The University of Sydney(悉尼大学)
提出了一种基于委托原理的层次规划框架和算法。这个框架,马尔可夫意图过程,具有一系列技能,每个技能都专门用于执行单个任务。技能意识到他们的预期效果,并能够分析规划目标,将规划委托给最适合的技能。这一原则动态地创建了一个计划的层次结构,其中每个技能都为它所专门化的子目标进行计划。所提出的规划方法的特点按需执行-技能政策只在需要时进行评估。计划仅在最高级别生成,然后在最新状态信息可用时扩展和优化。高级计划保留了最初的计划意图和先前计算的技能,有效地减少了适应环境变化所需的计算。我们表明,这种规划方法是实验非常有竞争力的经典规划和强化学习技术在各种领域,无论是在解决方案的长度和规划时间。
2020-10-25 cs.AI
Iterative Option Discovery for Planning, by Planning
University of Alberta(阿尔伯塔大学);Alberta Machine Intelligence Institute(阿尔伯塔机器智能研究所)
提出Option Iteration方法,通过迭代学习一组局部强选项策略来指导规划搜索,形成良性循环,在复杂规划环境中显著优于基线算法。
2023-12-22 cs.AI cs.LG
The Complexity of Planning Problems With Simple Causal Graphs
Universitat Politècnica de Catalunya(加泰罗尼亚理工大学)
我们提出了三个新的复杂性结果的规划问题的简单因果图类。首先,我们描述了一个多项式时间的算法,使用宏生成计划的规划问题与二进制状态变量和非循环因果图的类3S。这意味着,即使规划问题有一个指数长的最小解,规划生成可能是易处理的。我们还证明了多值变量和链式因果图规划问题的计划存在性问题是NP-困难的。最后,我们证明了二元状态变量和多树因果图规划问题的计划存在性是NP-完全的。
2011-10-31 cs.AI
Iterative Deployment Improves Planning Skills in LLMs
University of Oxford(牛津大学);AI Sequrity Company(AI安全公司);UFRGS(乌拉圭联邦大学)
通过迭代部署大语言模型,利用用户编纂的数据提升规划能力,展现隐含奖励函数的强化学习机制,具有AI安全和训练制度替代的双重意义。
2025-12-31 cs.AI cs.CL cs.LG
Balancing Efficiency and Fairness: An Iterative Exchange Framework for Multi-UAV Cooperative Path Planning
The Hong Kong University of Science and Technology(香港科技大学);College of Automation Engineering, Nanjing University of Aeronautics and Astronautics(南京航空航天大学自动化工程学院);College of Computer Science and Engineering, Chongqing Three Gorges University(重庆三峡大学计算机科学与工程学院);Chinese Academy of Sciences, New Territories, Hong Kong(中国科学院香港新 Territories 分院);City University of Hong Kong, Kowloon, Hong Kong(香港城市大学)
本文提出一种迭代交换框架,用于多无人机协作路径规划,通过任务交换和路径细化平衡效率与公平性,实验表明其在总距离和makespan之间取得更优权衡。
2025-11-29 cs.AI cs.RO
Sample-efficient Iterative Lower Bound Optimization of Deep Reactive Policies for Planning in Continuous MDPs
Singapore Management University(新加坡管理大学);University of Toronto(多伦多大学)
深度学习的最新进展通过将参数策略编码为深度神经网络并在基于端到端模型的梯度下降框架中利用自动微分,为连续MDP规划优化了深度反应策略(DRP)。这种方法已被证明对优化非线性连续MDP中的DRP是有效的,但它需要大量的采样轨迹来有效学习,并且可能会受到解决方案质量的高方差的影响。在这项工作中,我们重新审视了整体基于模型的DRP目标,而是采取最小化最大化的角度来迭代优化DRP w.r.t.局部紧下界目标这种将DRP学习作为迭代下限优化(ILBO)的新公式特别有吸引力,因为(i)每个步骤在结构上比整体目标更容易优化,(ii)它保证了在某些理论条件下单调改进的目标,以及(iii)它在迭代之间重用样本,从而降低了样本复杂度。实证评估证实,ILBO是显着更高的采样效率比国家的最先进的DRP计划,并始终产生更好的解决方案质量与较低的方差。我们还证明了ILBO可以很好地推广到新的问题实例(即,不同的初始状态)而不需要再训练。
2022-03-23 cs.AI cs.LG
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)。传统上,规划作为启发式搜索通过在接地状态空间中搜索来解决顺序规划的计算。另一方面,GP旨在计算类似算法的计划,可以分支和循环,并推广到一组(可能是无限的)经典规划实例。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,本文定义了一个新的GP解决方案空间,这是独立的规划实例的数量在GP问题,这些实例的大小。其次,本文定义了不同的评价和启发式函数,用于指导我们的GP解决方案空间中的组合搜索。最后,本文定义了一个GP算法,称为最佳优先广义规划(BFGP),实现了最佳优先搜索的解决方案空间的指导下,我们的评价/启发式功能。
2021-03-26 cs.AI
Planning with Sequence Models through Iterative Energy Minimization
Georgia Institute of Technology(佐治亚理工学院);Massachusetts Institute of Technology(麻省理工学院)
最近的工作表明,序列建模可以有效地用于训练强化学习(RL)的政策。然而,将现有的序列模型应用于规划的成功,我们希望获得一个行动的轨迹,以达到一些目标,是不那么简单的。序列模型的典型自回归生成过程排除了早期步骤的顺序细化,这限制了预测计划的有效性。在本文中,我们提出了一种基于迭代能量最小化的思想将规划与序列模型相结合的方法,并说明了这样的过程如何提高不同任务的RL性能。我们训练一个掩蔽的语言模型来捕获动作轨迹上的隐式能量函数,并将规划公式化为找到具有最小能量的动作轨迹。我们说明了这个过程如何提高BabyAI和Atari环境中最近方法的性能。我们进一步展示了我们的迭代优化过程的独特优势,包括新的任务泛化,测试时间约束自适应,以及组合计划的能力。项目网址:https://hychen-naza.github.io/projects/LEAP
2023-03-28 cs.AI cs.CV cs.LG
Pessimistic Iterative Planning with RNNs for Robust POMDPs
Radboud University Nijmegen(奈杰姆大学拉德博德)
针对鲁棒POMDPs需记忆性且鲁棒性策略的问题,提出悲观迭代规划(PIP)框架及rFSCNet算法,交替选悲观POMDPs并优化循环神经网络计算有限状态控制器,实证性能优于基线及现有求解器。
2025-08-26 cs.AI cs.LG
Toward PDDL Planning Copilot
本文提出 Planning Copilot,利用 MCP 协议将 LLM 与外部规划工具集成,无需特定领域微调即可支持语法检查、规划器选择与计划验证等任务,实验表明其性能显著优于未使用工具的同规模模型及 GPT-5。
2025-09-16 cs.AI
Probabilistic contingent planning based on HTN for high-quality plans
针对部分可观测环境下规划质量差异问题,提出基于HTN的概率权变规划器HQCP,通过成本形式化、新型启发式与集成算法生成高质量规划,并经实验验证有效高效。
2023-09-28 cs.AI
Planning for Temporally Extended Goals in Pure-Past Linear Temporal Logic: A Polynomial Reduction to Standard Planning
Bank of Italy(意大利银行);York University(约克大学)
我们研究了纯过去LTL(PPLTL)中表达的时间扩展目标。PPLTL是特别有趣的表达目标,因为它允许表达复杂的任务,在正式的方法文献,而最坏情况下的计算复杂性规划在确定性和非确定性域(FOND)仍然是相同的经典的可达性目标。然而,虽然规划东帝汶警察部队目标的理论已得到很好的理解,但尚未具体研究实用工具。在本文中,我们在构建处理PPLTL目标的实际工具方面取得了重大飞跃。我们设计了一种技术多项式转化为标准规划PPLTL目标的规划。我们通过一些对比实验,证明了翻译的形式正确性、复杂性和实际有效性。因此,我们的翻译使最先进的工具(如FD或MyND)能够无缝处理PPLTL目标,保持其在经典可达性目标方面令人印象深刻的性能。
2022-05-31 cs.AI
Landmark-Based Approaches for Goal Recognition as Planning
Pontifical Catholic University of Rio Grande do Sul(南里奥格兰德天主教大学);University of Aberdeen(阿伯丁大学)
通过使用自动规划技术,可以有效地完成从缺失和完整的观察中识别目标和计划的任务。在许多应用中,不仅要准确而且要快速地识别目标和计划。为了应对这一挑战,我们开发了新的目标识别方法的基础上规划技术,依赖于规划地标。在自动规划中,地标是实现目标时无法避免的属性(或动作)。我们展示了一些规划技术的适用性,重点是目标和计划识别任务的地标在两种设置:(1)我们使用地标的概念来开发目标识别算法;(2)我们开发了一种基于地标的过滤方法来改进现有的基于规划的目标和计划识别方法。这些识别方法在几个经典的规划领域的实验经验评估。我们表明,我们的目标识别方法不仅可以获得与其他最先进的技术相当的准确性(通常高于其他最先进的技术),而且比这些技术的识别时间更快。
2019-05-23 cs.AI
An Approach to Temporal Planning and Scheduling in Domains with Predictable Exogenous Events
在许多现实世界的领域,某些计划行动的前提条件受到这些事件的影响,在规划中的外生事件的处理是非常重要的。在本文中,我们专注于规划的时间域与外源事件发生在已知的时间,施加的约束,在计划中的某些行动必须在一些预定义的时间窗口执行。当动作有持续时间时,处理这种时间约束会给计划增加额外的难度。我们提出了一种方法来规划在这些领域,它集成了基于约束的时间推理到一个基于图形的规划框架,使用本地搜索。我们的技术实现在一个规划师参加了第四届国际规划竞赛(IPC-4)。IPC-4结果的统计分析表明,我们的方法在CPU时间和计划质量方面的有效性。额外的实验表明,时间推理技术集成到我们的计划器的良好性能。
2011-10-12 cs.AI
CoverLib: Classifiers-equipped Experience Library by Iterative Problem Distribution Coverage Maximization for Domain-tuned Motion Planning
The University of Tokyo(东京大学)
针对运动规划中可规划性与速度的权衡问题,提出主动迭代构建的CoverLib经验库,通过分类器匹配可适配经验,兼顾规划速度与成功率,且兼容多种适配算法。
2025-02-21 cs.AI cs.LG cs.RO
CLIMB: Language-Guided Continual Learning for Task Planning with Iterative Model Building
Georgia Institute of Technology(佐治亚理工学院);University of Toronto(多伦多大学);Georgia Tech Research Institute(佐治亚理工研究院);Ohio State University(俄亥俄州立大学);Nvidia(英伟达公司)
CLIMB是一个利用基础模型和执行反馈进行持续学习的机器人任务规划框架,能够从自然语言构建领域模型、学习非显而易见谓词并存储复用,在BlocksWorld++环境中相比基线方法显著提升规划性能。
2024-10-17 cs.AI cs.LG cs.RO
Bayesian Optimization Over Iterative Learners with Structured Responses: A Budget-aware Planning Approach
Washington State University(华盛顿州立大学);Microsoft Research(微软研究院)
深度神经网络(DNN)和数据集的规模不断增长,促使人们需要同时进行模型选择和训练的有效解决方案。包括DNN在内的许多迭代学习器的超参数优化(HPO)方法试图通过查询和学习响应表面同时搜索该表面的最优值来解决这个问题。然而,这些方法中的许多方法进行近视查询,不考虑关于响应结构的先验知识,和/或执行有偏见的成本感知搜索,所有这些都加剧了在指定总成本预算时识别性能最佳的模型。本文提出了一种新的方法,称为{ \bf B}udget-{ \bf A}ware { \bf P}lanning { \bf I}迭代学习器(BAPI),以解决HPO问题的约束成本预算。BAPI是一种高效的非近视贝叶斯优化解决方案,它考虑了预算,并利用有关目标函数和成本函数的先验知识来选择更好的配置,并在评估(培训)期间做出更明智的决策。针对迭代学习器的各种HPO基准测试的实验表明,在大多数情况下,BAPI的性能优于最先进的基线。
2023-02-27 cs.AI cs.LG
Nova: An Iterative Planning and Search Approach to Enhance Novelty and Diversity of LLM Generated Ideas
Westlake University(西湖大学);Zhejiang University(浙江大学);China Life R&D Center(中国人寿研发中心);Carnegie Mellon University(卡内基梅隆大学);Southeast University(东南大学);University of Oxford(牛津大学)
本文提出 Nova 迭代规划与搜索框架,通过有计划地检索外部知识提升 LLM 研究想法的新颖性和多样性,并在自动与人工评估中显著优于现有方法。
2024-10-27 cs.AI cs.CL
On the Complexity of Case-Based Planning
我们分析了计算复杂性的问题,基于案例的规划:规划时,一个类似的实例的计划是已知的,规划从一个图书馆的计划。我们证明,从一个单一的情况下规划具有相同的复杂性比生成规划(即,规划“从无到有”);使用扩展的案例定义,如果存储在案例中的域与要搜索计划的域相似,则降低复杂性。从图书馆的情况下,规划显示具有相同的复杂性。在这两种情况下,规划的复杂性仍然是,在最坏的情况下,PSPACE完成。
2004-07-15 cs.AI cs.CC
PerceptTwin: Semantic Scene Reconstruction for Iterative LLM Planning and Verification
Department of Computer Science and Operations Research, Université de Montréal(蒙特利尔大学计算机科学与运筹学系);Mila - Quebec AI Institute(魁北克人工智能研究所);CIFAR AI Chair(CIFAR人工智能主席)
提出PerceptTwin自动管道,从机器人感知的语义场景表示构建交互式仿真,结合LLM法官验证规划正确性与人类偏好,提升规划成功率约39%。
2026-06-02 cs.AI cs.RO
Combined Task and Motion Planning as Classical AI Planning
ICREA(加泰罗尼亚高级研究学院);Universitat Pompeu Fabra(庞培法布拉大学)
机器人规划通常分为任务规划和运动规划。高级的符号任务规划器决定需要做什么,而运动规划器检查可行性并填充几何细节。然而,已知的是,这样的分解通常不是有效的,因为符号和几何分量不是独立的。在这项工作中,我们表明,有可能将任务和运动规划问题编译成经典的AI规划问题;即,规划问题的有限和离散状态空间与已知的初始状态,确定性的行动,和目标状态达到。编译是合理的,这意味着经典计划是有效的机器人计划,并且概率上是完整的,这意味着当采样足够数量的配置时,有效的机器人计划是经典计划。在这种方法中,运动规划器和碰撞检查器用于编译,但不是在规划时。使该方法有效的关键要素是:1)表达经典的AI规划语言,用于以紧凑的形式表示编译的问题,与PDDL不同,它使用函数和状态约束,以及2)通用的基于宽度的搜索算法,能够仅使用弱算法在巨大的组合空间中找到计划。经验结果PR 2机器人操纵数十个对象,需要长期计划。
2017-06-21 cs.AI cs.RO
An Iterative LLM Framework for SIBT utilizing RAG-based Adaptive Weight Optimization
Image Processing Center, Beihang University(北航图像处理中心);Department of Radiation Oncology, Peking University Third Hospital(北京大学第三医院放射肿瘤科);Department of Radiation Oncology, Duke University Medical Center(杜克大学医学中心放射肿瘤科)
该研究提出一种基于RAG和DeepSeek-R1 LLM的迭代自适应权重优化框架,用于种子植入近距离治疗计划,在23例患者上验证,效果优于或等同于临床计划。
2025-09-10 cs.AI physics.med-ph
Software Architecture for Next-Generation AI Planning Systems
University of Stuttgart(斯图加特大学);Institute of Architecture of Application Systems, University of Stuttgart(斯图加特大学应用系统架构研究所)
人工智能(AI)规划是一门蓬勃发展的研究和开发学科,它为搜索实现某些用户目标的行动过程提供了强大的工具。虽然这些规划工具在基准规划问题上表现出出色的性能,但在实际应用中的使用和集成方面,它们代表了具有挑战性的软件系统。事实上,即使深入了解其内部机制,也不能保证人们能够成功地建立、使用和操纵现有的规划工具。我们通过提出面向服务的规划架构来缓解这种情况,该架构是设计,开发和使用下一代人工智能规划系统的核心能力。我们收集和分类常见的规划能力,以形成规划体系结构的构建块。我们将软件设计原则和模式纳入体系结构中,以实现规划功能的可用性、互操作性和可重用性。我们的原型规划系统展示了我们的方法的潜力,快速原型和系统组成的灵活性。最后,我们提供了深入了解我们的方法相比,一个典型的规划工具的定性优势。
2021-02-22 cs.AI cs.SE
Phase Transitions of Plan Modification in Conformant Planning
School of Computer Science, Northeast Normal University(东北师范大学计算机科学学院);Key Laboratory of Symbolic Computation and Knowledge Engineering for the Ministry of Education, Jilin University(吉林大学符号计算与知识工程教育部重点实验室)
我们探讨了计划修改的阶段转换,主要集中在一致性规划问题。通过分析协调规划问题中计划修改的特点,得到了定量的结果。如果操作员的数量小于,几乎所有的一致性规划问题都不能通过计划修改来解决。如果操作员的数量大于,几乎所有的一致性规划问题都可以通过计划修改来解决。实验结果还表明,存在一个实验阈值的密度(运营商的数量与命题的数量的比率),它区分区域几乎所有的一致性规划问题不能解决与计划修改的区域,几乎所有的一致性规划问题可以解决与计划修改。
2010-12-13 cs.AI cs.CC
Incorporating planning intelligence into deep learning: A planning support tool for street network design
Martin Centre for Architectural and Urban Studies, University of Cambridge(剑桥大学马丁建筑与城市研究中心);Department of Architecture, University of Cambridge(剑桥大学建筑系)
深度学习在制定临时规划建议方面的应用受到将城市专业知识与人工智能整合的困难的限制。我们提出了一种新的,互补的使用深度神经网络和规划指导自动化街道网络生成,可以是上下文感知,基于示例和用户指导。模型测试表明,纳入规划知识(例如,道路交叉口和邻域类型)导致对街道配置的更真实的预测。此外,这一新工具为专业和非专业用户提供了一个机会,可以系统和直观地探讨基准建议,以便进行比较和进一步评价。
2020-10-09 cs.AI cs.CV
Institutional Foundations of Adaptive Planning: Exploration of Flood Planning in the Lower Rio Grande Valley, Texas, USA
Texas A&M University at Galveston(德克萨斯农工大学加尔维斯顿分校);Texas Tech University(德克萨斯理工大学)
适应性规划非常适合应对气候变化带来的深刻不确定性。虽然在适应性规划的理论和方法方面有着强大的学术研究,但这在很大程度上忽视了适应性规划如何受到现有规划机构的影响,以及如何在传统规划组织的约束下向前发展。本研究问:现有的传统规划机构如何支持适应性规划?我们探讨这一点的洪水规划在下里奥格兰德河流域的得克萨斯州,美国。我们利用县灾害计划和区域洪水计划文件,以及区域洪水规划会议的成绩单,探讨这些机构的产出的紧急主题。使用自然语言处理来分析这大量的文本,我们发现危险计划和制定这些计划的讨论在很大程度上缺乏自适应的方法。
2022-09-30 cs.AI cs.CL cs.IR
PlanBench: An Extensible Benchmark for Evaluating Large Language Models on Planning and Reasoning about Change
Arizona State University(亚利桑那州立大学);Colorado State University(科罗拉多州立大学)
提出可扩展基准PlanBench,基于自动化规划领域测试LLMs在规划与变化推理上的能力,发现即使SOTA模型在计划生成等关键能力上表现仍不足,可作为衡量进展的标志。
2023-11-26 cs.AI cs.CL
Overview of Tools Supporting Planning for Automated Driving
Virtual Vehicle Research Center(虚拟车辆研究中心)
规划是自动驾驶领域的一个重要主题。除了文献中广泛涉及的规划算法之外,规划还需要不同的软件工具来进行开发、验证和执行。本文提出了一个调查,这些工具包括地图表示,通信,交通规则,开源规划栈和中间件,仿真和可视化工具以及基准。我们首先定义规划任务和不同的支持工具。接下来,我们提供了一个全面的国家的最先进的发展和分析它们之间的关系。最后,我们讨论了目前的差距,并提出了未来的研究方向。
2020-03-09 cs.AI cs.RO
Flow Motion Policy: Manipulator Motion Planning with Flow Matching Models
Zachry Department of Civil and Environmental Engineering, Texas A&M University(德克萨斯A&M大学Zachry土木与环境工程系)
本文提出流运动策略,一种基于流匹配模型的机械臂运动规划方法,通过生成路径分布实现高效推理优化。
2026-08-18 cs.AI cs.RO
Motion Planning Transformers: A Motion Planning Framework for Mobile Robots
University of California San Diego(加州大学圣地亚哥分校);Purdue University(普渡大学)
快速高效的基于采样的运动规划(SMP)是许多机器人系统(例如自动驾驶汽车)的组成部分。提高这些规划器效率的一种流行技术是在规划域中限制搜索空间。现有的算法定义参数函数来约束搜索空间,但这些不扩展到非完整机器人系统。最近的基于学习的方法使用卷积和全连接网络的组合来编码规划空间。然而,这些方法仅限于固定的地图大小,这在现实世界中往往是不现实的。在本文中,我们介绍了一种基于变换的方法,运动规划Transformer,限制搜索空间通过学习辨别区域的有效路径从先验数据。该模型不仅学习限制简单的2D系统的搜索空间,但也为非完整的机器人系统。我们验证我们的方法在各种随机生成的环境中,不同的地图大小和计划轨迹的物理非完整机器人。我们还为Nav2规划栈提供了我们方法的ROS2插件。结果表明,我们的方法减少了搜索空间节点的2 - 12倍相比,传统的规划器,并具有更好的泛化能力比最近的学习为基础的规划器。
2022-11-13 cs.AI cs.RO
Latent Planning Emerges with Scale
ILLC, University of Amsterdam(伊拉斯姆斯自由大学,阿姆斯特丹大学);Anthropic
本文研究了LLM在简单规划任务中潜在规划能力随规模增加而增强的现象,发现模型能通过内部表示生成未来词并影响上下文,但复杂任务如押韵对句中规划能力有限。
2026-04-14 cs.AI cs.CL
Teaching LLMs to Plan: Logical Chain-of-Thought Instruction Tuning for Symbolic Planning
MIT CSAIL(麻省理工学院计算机科学与人工智能实验室);Microsoft AI(微软人工智能)
提出PDDL-Instruct指令微调框架,通过逻辑思维链推理教导LLM严谨推理动作适用性与状态转换,在标准基准上实现94%规划准确率,较基线绝对提升66%。
2025-09-14 cs.AI cs.CL
Learning Neuro-Symbolic Relational Transition Models for Bilevel Planning
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)
在机器人领域,学习和规划由于连续的状态空间、连续的动作空间和长的任务范围而变得复杂。在这项工作中,我们用神经符号关系转换模型(NSRT)来解决这些挑战,NSRT是一类新型的模型,它具有数据学习效率,与强大的机器人规划方法兼容,并可在对象上推广。NSRT具有符号和神经组件,实现了双层规划方案,其中外循环中的符号AI规划指导内环中的神经模型的连续规划。在四个机器人规划领域的实验表明,NSRT可以在数十或数百次训练后学习,然后用于快速规划新任务,这些任务需要多达60个动作,涉及的对象比训练期间看到的要多得多。视频:https://tinyurl.com/chitnis-nsrts
2022-06-30 cs.AI cs.LG cs.RO