Plan Execution for Multi-Agent Path Finding with Indoor Quadcopters
本文研究了多智能体路径搜索问题的规划和行动阶段。MAPF是一个导航代理从他们的开始位置到指定的个人目标位置,使代理不相互碰撞的问题。具体来说,我们专注于执行MAPF计划与一组Crazyflies,小型室内四轴飞行器。我们展示了如何修改现有的连续时间基于冲突的搜索算法(CCBS),以产生适合于执行的四轴飞行器的计划。行动阶段使用Loco定位系统来检查计划是否正确执行。我们的发现是,CCBS算法允许扩展,可以产生安全的四轴飞行器的计划,即圆柱形保护区周围的每个四轴飞行器可以在规划水平。
2022-07-06 cs.AI cs.RO
From Real-Time Planning to Reliable Execution:Scalable Coordination for Heterogeneous Multi-Robot Fleets in Industrial Environments
提出SCALE反应式在线协调框架,通过运动诱导冲突减少机制和广义共轭动作-优先超图,实现异构多机器人车队的实时路径规划与鲁棒执行,经仓库部署验证有效性。
2026-07-07 cs.MA cs.RO
Optimal task and motion planning and execution for human-robot multi-agent systems in dynamic environments
Institute of Intelligent Industrial Technologies and Systems, National Research Council of Italy(意大利国家研究委员会智能工业技术与系统研究所);Institute of Cognitive Sciences and Technologies, National Research Council of Italy(意大利国家研究委员会认知科学与技术研究所);University of Brescia(布雷西亚大学)
本文针对动态环境中人机多智能体系统,提出任务与运动解耦的组合规划框架,通过时间线规划与在线运动规划优化任务排序、分配和执行,在协作制造场景中验证可缩短执行时间并扩展应用范围。
2023-03-27 cs.AI cs.RO
A Feedback Scheme to Reorder a Multi-Agent Execution Schedule by Persistently Optimizing a Switchable Action Dependency Graph
TU Delft(代尔夫特理工大学);Robert Bosch GmbH(罗伯特·博世有限公司)
在本文中,我们考虑多个自动导引车(AGV)导航一个共同的工作空间,以完成各种内部物流任务,通常制定为多智能体路径查找(MAPF)问题。为了保持计划执行无死锁,一种方法是构造动作依赖图(ADG),该动作依赖图在AGV沿其路线前进时对AGV的顺序进行编码。使用这种方法,延迟的AGV偶尔需要其他人在交叉口等待它们,从而影响计划执行效率。如果工作空间被动态障碍物(如人类或第三方机器人)共享,AGV可能会遇到很大的延迟。一种常见的缓解方法是使用当前延迟的AGV位置重新求解MAPF。然而,解决MAPF是耗时的,使得这种方法效率低下,特别是对于大型AGV团队。在这项工作中,我们提出了一个在线的方法,反复修改一个给定的非循环ADG,以尽量减少每个AGV的路线完成时间。我们的方法始终保持一个非循环的ADG,无死锁计划执行所必需的。我们评估的方法,考虑模拟与随机干扰的执行,并显示更快的路线完成时间相比,基线ADG为基础的执行管理方法。
2020-10-11 cs.AI cs.RO
WinkTPG: An Execution Framework for Multi-Agent Path Finding Using Temporal Reasoning
Robotics Institute, Carnegie Mellon University(卡内基梅隆大学机器人研究所)
本文提出WinkTPG框架,通过时间推理优化多智能体路径规划,生成可行的速度配置并提升解决方案质量,实验证明其在高保真物理模拟和真实机器人中的有效性。
2026-04-26 cs.AI
Multi-Robot Task Planning under Individual and Collaborative Temporal Logic Specifications
Zhejiang University(浙江大学)
本文研究了多机器人任务协调问题,其中每个机器人都有一个私有的时态逻辑任务规范,同时还必须共同满足一个全局给定的协作时态逻辑任务规范。为了有效地生成可行的和优化的任务执行计划的机器人,我们提出了一个分层的多机器人的时间任务规划框架,在该框架中,一个中央服务器分配的协作任务的机器人,然后单独的机器人可以独立地合成他们的任务执行计划在一个分散的方式。此外,我们提出了一个执行计划调整机制,允许机器人迭代修改他们的执行计划,通过隐私保护的智能体通信,以提高预期的实际执行性能,减少等待时间的机器人合作。分析了该方法的正确性和有效性,并通过大量的仿真实验进行了验证。
2021-08-27 cs.RO
Analyzing Planner Design Trade-offs for MAPF under ADG-based Realistic Execution
本文基于ADG模型探讨MAPF规划器设计中优化性与执行性能的关系,分析模型精度与路径最优性之间的权衡,揭示实际场景下的挑战与研究方向。
2026-03-17 cs.AI
When Planning Fails Despite Correct Execution: On Epistemic Calibration for LLM-Based Multi-Agent Systems
College of Intelligence and Computing, Tianjin University, Tianjin, China(天津大学智能与计算学院);School of New Media and Communication, Tianjin University, Tianjin, China(天津大学新媒体与传播学院);Gaoling School of Artificial Intelligence, Renmin University of China, Beijing, China(中国人民大学北京校区人工智能学院)
针对基于LLM的多智能体系统中因认知误校准导致计划失败的问题,提出认知计划校准代理工作流(EPC-AW),通过信息一致性计划选择和一致性引导的认知状态细化,平均提升系统成功率9.75%。
2026-05-22 cs.AI cs.LG
APEX-MR: Multi-Robot Asynchronous Planning and Execution for Cooperative Assembly
Carnegie Mellon University(卡内基梅隆大学)
本文提出APEX-MR异步规划执行框架,通过后处理任务与运动计划,实现多机器人安全高效协作装配,平均提速48%,并首次用双臂系统完成商用乐高定制装配。
2025-08-07 cs.RO
Provably Safe and Deadlock-Free Execution of Multi-Robot Plans under Delaying Disturbances
Massachusetts Institute of Technology(麻省理工学院)
多机器人系统中的一个长期挑战是在机器人受到干扰的环境中可靠地协调多个机器人的运动的能力。我们考虑的干扰,迫使机器人暂时停止,并延迟其沿其计划轨迹的前进,可用于建模,例如,路过的人类,机器人必须屈服。虽然反应式避碰方法经常用于这种情况下,它们可能会导致机器人之间的死锁。我们设计了一个多机器人的控制策略,执行协调的轨迹计算的多机器人轨迹规划器,并给出了一个证明,该策略是安全的,无死锁,即使机器人受到延迟干扰。我们的模拟结果表明,所提出的策略规模显着更好的干扰强度比天真的活力保持方法。实验结果进一步证实了所提出的方法是更可靠的,也更有效的比国家的最先进的反应技术。
2016-03-28 cs.RO
Integrating Planning, Execution and Monitoring in the presence of Open World Novelties: Case Study of an Open World Monopoly Solver
Arizona State University(亚利桑那州立大学);Tufts University(塔夫茨大学)
垄断游戏是一个对抗性的多智能体领域,除了成为最后一个玩家的溶剂之外,没有固定的目标,有一些有用的子目标,如垄断属性集,并开发它们。掷骰子、抽牌和对手的策略也有很多随机性。这种不可预测性变得更糟时,未知的新奇添加在游戏过程中。考虑到这些挑战,垄断是DARPA-SAILON计划选择的测试平台之一,该计划旨在创建能够检测和适应新奇事物的代理。为了处理游戏的复杂性,我们开发了一个代理,它避开了完整的计划,并随着游戏的发展在线调整它的策略。在SAILON项目的最新独立评估中,我们的代理在大多数指标上都是表现最好的代理。我们在此介绍我们的方法和结果。
2021-08-09 cs.AI
Game-theoretic Approach for Non-Cooperative Planning
Universitat Politècnica de València(瓦伦西亚理工大学)
当两个或多个自利的代理人在同一环境中执行他们的计划时,可能会出现冲突,例如,共同利用资源。在这种情况下,代理可以推迟执行特定的动作,如果这准时解决了冲突,或者它可以采取执行不同的计划,如果代理的回报显着减少,由于行动推迟。在本文中,我们提出了一个博弈论的方法,非合作规划,帮助执行前预测什么计划的时间表代理将采用,使所有代理的策略集构成一个纳什均衡。我们进行了一些实验,并讨论了我们的博弈论方法获得的解决方案,分析如何计划之间的冲突决定的代理商的战略行为。
2015-03-04 cs.AI cs.GT
Planning, scheduling, and execution on the Moon: the CADRE technology demonstration mission
Jet Propulsion Laboratory - California Institute of Technology(喷气推进实验室 - 加州理工学院)
本文介绍CADRE月球多机器人探测任务的自主分布式PS&E系统,说明其集中规划、分布式执行、资源约束与故障容错设计及硬件V&V测试。
2025-02-20 cs.RO cs.SY eess.SY
Towards Robust One-shot Task Execution using Knowledge Graph Embeddings
Georgia Institute of Technology(佐治亚理工学院)
要求对任务计划进行多次演示给机器人的最终用户带来了负担。然而,从单个最终用户演示中稳健地执行任务计划是机器人技术中的一个持续挑战。我们解决的问题,一次性任务执行,其中机器人必须概括一个单一的示范或原型的例子,一个新的执行环境的任务计划。我们的方法将任务计划与领域知识相结合,以推断新的执行环境的任务计划组成部分。我们的实验评估表明,我们的知识表示,使更相关的概括,导致显着更高的成功率超过测试基线。我们在一个物理平台上验证了该方法,这导致初始任务计划成功推广到50个执行环境中的38个,其中包括自主机器人操作造成的错误。
2021-05-10 cs.AI cs.RO
Intelligent Execution through Plan Analysis
Universidad Carlos III de Madrid(马德里卡洛斯三世大学);J.P.Morgan AI Research(摩根大通人工智能研究院);Carnegie Mellon University(卡内基梅隆大学)
本文提出一种通过计划分析识别并存储执行机会的方法,在执行中利用这些机会聚焦感知并修复计划,实验证明其优于标准重新规划策略。
2024-03-18 cs.AI cs.RO
DoReMi: Grounding Language Model by Detecting and Recovering from Plan-Execution Misalignment
Institute for Interdisciplinary Information Sciences, Tsinghua University(清华大学交叉信息研究院);Weiyang College, Tsinghua University(清华大学未央学院);Shanghai Qi Zhi Institute(上海期智研究院)
针对机器人任务中LLM生成的高层规划与底层执行易出现偏差的问题,提出DoReMi框架,通过LLM生成规划与约束、VLM持续检测偏差并及时恢复,提升了任务成功率并缩短了完成时间。
2024-09-14 cs.AI cs.RO
VerifyLLM: LLM-Based Pre-Execution Task Plan Verification for Robots
MIPT(莫斯科理工学院);Pyatigorsk State University(皮亚季戈尔斯克州立大学);AIRI(AI研究机构)
针对机器人任务规划可靠性挑战,提出基于LLM的执行前验证架构,通过自然语言转LTL及动作序列分析评估逻辑连贯性,经多复杂度数据集测试适用于家庭任务,提升规划可靠性并开源代码。
2025-07-07 cs.AI cs.RO
Task and Motion Planning for Execution in the Real
Rice University(莱斯大学);Australian National University(澳大利亚国立大学)
针对真实环境中知识缺口导致动作难以在规划时完全落实的问题,提出融合离线运动规划与在线闭环行为、并将失败反馈为约束重规划的任务与运动规划框架,真实机器人实验表明其更快、更短且更可靠。
2024-06-13 cs.AI cs.RO
Comet: Fine-grained Computation-communication Overlapping for Mixture-of-Experts
ByteDance Seed(字节跳动 Seed);Shanghai Jiao Tong University(上海交通大学)
针对混合专家模型分布式场景下通信开销大的问题,提出优化系统COMET,通过数据依赖分析、任务重调度和自适应工作负载分配实现细粒度通信-计算重叠,在万级GPU集群中显著加速模型执行并节省大量GPU资源。
2025-03-04 cs.AI cs.DC cs.LG
Model-Based AI planning and Execution Systems for Robotics
Ben Gurion University of the Negev(内盖夫本-古里安大学)
本文综述了面向机器人任务级控制的基于模型的AI规划与执行系统,梳理现有系统的设计选择、解决方案及未来发展方向。
2025-05-07 cs.AI cs.RO
EMPOWER: Embodied Multi-role Open-vocabulary Planning with Online Grounding and Execution
University of Basilicata(巴西利卡塔大学);International University of Rome UNINT(罗马UNINT国际大学)
EMPOWER框架利用预训练基础模型和多角色机制,解决机器人在现实环境中开放词汇在线接地与规划问题,在TIAGo机器人上六种场景中平均成功率达0.73。
2024-10-22 cs.AI cs.RO
Long-Horizon Planning and Execution with Functional Object-Oriented Networks
Brown University(布朗大学);University of Innsbruck(因斯布鲁克大学);TU Wien(维也纳工业大学);German Aerospace Center (DLR)(德国航空航天中心(DLR))
针对 FOON 概念过于抽象、难以直接执行的问题,本文提出将 FOON 自动转换为 PDDL,并结合现成规划器、动作上下文和机器人技能的分层规划框架,在 CoppeliaSim 长程任务中实现可执行规划与场景泛化。
2023-06-02 cs.AI cs.RO
PIVOT: Bridging Planning and Execution in LLM Agents via Trajectory Refinement
PIVOT通过自监督框架迭代优化轨迹,解决LLM代理规划与执行不一致问题,实验证明其在约束满足和计算效率上的优越性。
2026-10-28 cs.AI cs.LG cs.MA
From Kinematics to Dynamics: Learning to Refine Hybrid Plans for Physically Feasible Execution
Technion - Israel Institute of Technology(技术学院 - 以色列理工学院)
该研究通过连续空间中的强化学习,解决混合计划在物理可行性执行中的问题,通过引入分析二阶约束的马尔可夫决策过程,改进混合规划器生成的一阶轨迹,从而可靠地恢复物理可行性。
2026-06-04 cs.AI cs.RO
Breaking Planner Integrity Boundary: Enviroment State-Text Injection Attack on LLM-Driven Embodied Agents
Wuhan University(武汉大学);University at Buffalo(布法罗大学)
该文聚焦LLM驱动的具身智能体,梳理其技术演进与现有模型,指出其需结合多类信息完成任务落地后执行,为后续状态语义注入攻击研究奠定基础。
2026-09-09 cs.AI cs.RO
A Comparison of Prompt Engineering Techniques for Task Planning and Execution in Service Robotics
University of Bonn(波恩大学);Lamarr Institute for Machine Learning and Artificial Intelligence(拉马尔机器学习与人工智能研究所);Center for Robotics(机器人中心);Computer Science Institute VI(计算机科学第六研究所);Autonomous Intelligent Systems group(自主智能系统组)
本研究在服务机器人任务规划与执行中,系统比较了多种提示工程技术及其组合,通过仿真任务评估最先进模型的完成准确率与执行时间。
2024-11-06 cs.AI cs.RO
Vote-Tree-Planner: Optimizing Execution Order in LLM-based Task Planning Pipeline via Voting
University of Washington(华盛顿大学)
本文提出 Vote-Tree-Planner,通过投票加权引导规划树遍历,在执行前评估关键路径,从而减少 LLM 重复查询并提升机器人任务规划的成功率、稳定性与目标条件召回率。
2025-02-13 cs.AI cs.RO
Towards Efficient Anytime Computation and Execution of Decoupled Robustness Envelopes for Temporal Plans
University of Strathclyde(思克莱德大学);Fondazione Bruno Kessler(布鲁诺·凯斯勒基金会);King’s College London(伦敦国王学院)
基于模型的规划和调度在实际应用中的就业的主要限制之一是昂贵的重新规划时,所观察到的现实和正式模型之间的不一致,在执行过程中遇到的需要。鲁棒性包络表征了一组可能的突发事件,计划能够在不重新规划的情况下解决这些突发事件,但它们的精确计算是非常昂贵的;此外,一般的鲁棒性包络不适合有效执行。在本文中,我们提出了一种新的,随时算法来近似鲁棒性包络,使他们的可扩展性和可执行性。这是证明了一个实验分析表明该算法的效率,并通过一个具体的案例研究,其中执行的鲁棒性信封显着减少了重新规划的数量。
2019-11-17 cs.AI
PACE: Adaptive Budget Allocation for Time-Efficient Embodied Planning
PACE框架通过交错式思考-执行架构和动态预算分配器,在Robotouille基准测试中较ReAct+Think基线提升规划成功率,同时大幅减少推理时间,实现具身规划的时间效率与质量同步提升。
2026-08-05 cs.AI cs.RO
VeriGraph: Scene Graphs for Execution Verifiable Robot Planning
University of Maryland, College Park, MD USA(马里兰大学学院公园分校)
VeriGraph通过整合视觉语言模型和场景图,提升机器人任务规划的可行性验证与修正,显著提高任务完成率。
2026-04-16 cs.AI 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
CMAX++ : Leveraging Experience in Planning and Execution using Inaccurate Models
Robotics Institute, Carnegie Mellon University(卡内基梅隆大学机器人研究所);Aurora Innovation(奥罗拉创新公司)
由于获得准确的动力学模型,现代规划方法是有效的计算重复机器人任务的可行和最优的计划。然而,在执行之前很难对真实世界的真实动态进行建模,特别是对于需要与参数未知的对象进行交互的任务。最近的规划方法,CMAX,解决了这个问题,通过适应计划在线执行过程中产生的计划偏离不准确的建模区域。CMAX虽然可以证明保证达到目标,但需要对用于规划的模型的准确性进行强有力的假设,并且无法在重复相同任务的情况下提高解决方案的质量。在本文中,我们提出了CMAX++,一种利用现实世界的经验,以提高质量的机器人任务的连续重复产生的计划。CMAX++通过将使用获得的经验的无模型学习与使用可能不准确的模型的基于模型的规划相结合来实现这一点。我们提供可证明的保证CMAX++的完整性和渐近收敛到最优路径成本的重复次数的增加。CMAX++在模拟机器人任务中的表现也优于基线,包括3D移动机器人导航,其中轨道摩擦被错误地建模,以及7D拾取和放置任务,其中物体的质量未知,导致真实和建模动态之间的差异。
2020-10-15 cs.AI cs.LG cs.RO
Improving Plan Execution Flexibility using Block-Substitution
Dhaka University of Engineering \& Technology Gazipur Bangladesh;Dhaka University of Engineering \& Technology
本文通过块替换方法提升计划灵活性,利用块分解部分顺序计划(BDPO)结构,结合MaxSAT重新排序策略,在国际规划竞赛基准问题中显著提升执行灵活性。
2026-03-31 cs.AI
A Unified Framework for Real-Time Failure Handling in Robotics Using Vision-Language Models, Reactive Planner and Behavior Trees
Lund University(隆德大学);KTH Royal Institute of Technology(瑞典皇家理工学院);ABB Robotics(ABB机器人公司)
针对机器人系统故障恢复适应性差的问题,提出结合VLM、反应式规划器与行为树的统一框架,含执行前验证与反应式处理,经真实与仿真实验验证,成功率与适应性更优。
2025-03-21 cs.AI cs.RO
MCP-Cosmos: World Model-Augmented Agents for Complex Task Execution in MCP Environments
IBM
MCP-Cosmos融合世界模型与MCP框架,通过引入生成世界模型提升智能体在复杂任务中的执行能力,实验显示其在工具成功率和参数准确性等方面有显著提升。
2026-05-09 cs.AI cs.MA
Integrating Planning and Execution in Stochastic Domains
University of British Columbia(不列颠哥伦比亚大学)
我们调查规划在时间关键域表示为马尔可夫决策过程,搜索为基础的技术可以是一个非常强大的方法,找到接近最优的计划。为了降低这些领域规划的计算成本,我们在构建计划时执行操作,并通过搜索到固定深度并使用启发式函数来估计状态值来牺牲最优性。虽然本文集中在搜索算法,我们也讨论了构造适合这种方法的启发式函数的方法。我们的研究结果表明,通过交错搜索和执行,可以找到接近最优的政策,而不需要其他方法的计算要求。
2013-02-27 cs.AI
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
A Formal Metareasoning Model of Concurrent Planning and Execution
Ben-Gurion University(本-古里安大学);Technion(以色列理工学院);University of New Hampshire(新罕布什尔大学)
在现实世界中计划和行动的代理人必须处理时间随着他们的计划而流逝的事实。当时间紧迫时,可能没有足够的时间在采取行动之前完成对计划的搜索。通过在搜索结束之前开始执行,通过使规划和执行并发来获得搜索时间。然而,这会带来做出不正确的行动选择的风险,特别是如果行动是不可逆转的。这种机会和风险之间的权衡是本文所要解决的问题。我们的主要贡献是正式定义为一个抽象的元推理问题的设置。我们发现抽象的问题是难以解决的。然而,我们确定的特殊情况下,可解决的多项式时间,开发贪婪的解决方案的算法,并通过测试的实例搜索问题,找到几种方法,实现有前途的实际性能。这项工作为一个有原则的时间意识的执行者同时计划和执行奠定了基础。
2023-03-05 cs.AI
Improving Execution Concurrency in Partial-Order Plans via Block-Substitution
本文提出通过块替换优化部分序计划的并发性,通过引入非并发约束条件和资源优化算法,提升计划执行效率。
2026-03-31 cs.AI
GenPlanX. Generation of Plans and Execution
针对经典AI规划技术无法理解自然语言规划任务的问题,本文提出集成LLMs、经典规划引擎及执行监控框架的GenPlanX,可辅助处理办公任务,助力人机协作提升工作效率。
2025-06-12 cs.AI
Airlift Challenge: A Competition for Optimizing Cargo Delivery
Air Force Research Lab(美国空军研究实验室);New Mexico Institute of Mining and Technology(新墨西哥矿业技术学院);Fraunhofer FKIE(弗劳恩霍夫FKIE研究所)
本文介绍空运挑战赛竞赛,其通过模拟器和OpenAI gym接口优化货物配送,应对突发中断,并提出了时间PDDL模型作为核心。竞赛于2023年11月至2024年4月举办,本文描述了竞赛、环境及结果。
2025-04-20 cs.AI
Cocoa: Co-Planning and Co-Execution with AI Agents
University of Washington(华盛顿大学);University of Toronto(多伦多大学);Allen Institute for AI(人工智能研究院)
Cocoa通过协同规划与执行机制,提升人机协作灵活性,支持复杂研究任务的自主可控与高效执行。
2026-02-18 cs.AI cs.HC
From semantics to execution: Integrating action planning with reinforcement learning for robotic causal problem-solving
强化学习是在噪声条件下鲁棒地执行低级别机器人控制的适当且成功的方法。符号行动计划有助于解决因果依赖关系,并将因果关系复杂的问题分解为一系列更简单的高级行动。这两种方法的集成的一个问题是,行动规划是基于离散的高级动作和状态空间,而强化学习通常是由连续的奖励函数驱动。然而,强化学习的最新进展,特别是通用价值函数逼近器和事后经验重放,都集中在基于稀疏奖励的目标无关方法上。在本文中,我们建立在这些新方法的基础上,通过利用奖励稀疏性作为高级和低级状态和控制空间之间的桥梁,促进行动规划与强化学习的集成。因此,我们证明了集成的神经符号的方法是能够解决对象操作问题,涉及工具使用和非平凡的因果依赖关系在嘈杂的条件下,利用数据和知识。
2019-12-08 cs.AI cs.LG cs.RO
Do LLM Agents Execute the Plans They Declare? From Planning-Mode Declaration to Pattern-Specific Execution
ADIA Lab(ADIA实验室);University of Granada(格拉纳达大学);Luxembourg Institute of Science and Technology(卢森堡科学技术研究院);Cornell University(康奈尔大学);Lawrence Berkeley National Laboratory(劳伦斯伯克利国家实验室)
本文提出规划即路由方法,通过声明四种规划模式并分派给模式特定执行器,显著缩小LLM智能体的计划声明-执行差距,提升任务成功率,但模式选择仍待解决。
2026-09-30 cs.AI cs.LG
An Expressive Language and Efficient Execution System for Software Agents
Fetch Technologies(Fetch科技公司);University of Southern California(南加州大学);Information Sciences Institute(信息科学研究所)
软件代理可以用来自动化许多繁琐,耗时的信息处理任务,人类目前必须手动完成。然而,要做到这一点,代理计划必须能够表示执行这些任务所需的大量操作和控制流。此外,由于这些任务可能需要集成多个远程信息源,通常是一个缓慢的I/O绑定过程?希望使执行尽可能有效。为了解决这两个需求,我们提出了一个灵活的软件代理计划语言和高度并行的执行系统,使高效执行的表达代理计划。计划语言通过提供各种操作符来灵活地处理数据,并支持子计划(用于模块化)和递归(用于不确定循环),从而使复杂任务更容易表达。执行器是基于一个流的执行,以最大限度地提高运算符和数据并行可能在运行时的数量的并行模型。我们已经在一个名为THESEUS的系统中实现了语言和执行器。我们从测试THESEUS的结果表明,流的并行执行可以产生显着的加速比传统的串行(冯诺依曼)以及现有的软件和机器人代理执行系统目前支持的非流的并行风格的执行。此外,我们将展示如何在我们目前的语言编写的计划可以表示某些类型的子任务,不能使用网络查询引擎支持的语言来完成。最后,我们证明了我们的计划语言的表达能力的增加并不妨碍性能;具体来说,我们展示了如何从多个远程源集成数据,就像使用我们的架构一样有效,因为这是一个国家的最先进的流式传输的低网络查询引擎。
2011-09-09 cs.AI
BEAP-Agent: Backtrackable Execution and Adaptive Planning for GUI Agents
Guangdong Laboratory of Artificial Intelligence(广东人工智能实验室);Shenzhen University(深圳大学);Guangdong University of Technology(广东工业大学)
BEAP-Agent通过可回溯执行和自适应规划机制,提升GUI代理在复杂任务探索中的准确性和鲁棒性。
2026-01-29 cs.AI
Execution Flexibility in Automated Planning: A Comparative Evaluation of Deordering and Reordering Strategies
Dhaka University of Engineering & Technology(达卡工程技术大学);University of North Texas(北德克萨斯大学)
本研究比较评估了自动规划中提升执行灵活性的去序与重序策略,发现基于块去序的方法在性能和效率上显著优于MaxSAT方法,因其能改变因果结构并作为任意时间算法始终返回有效结果。
2026-09-16 cs.AI
A New Model of Plan Recognition
Honeywell Technology Center(霍尼韦尔技术中心)
我们提出了一个新的溯因,概率理论的计划识别。这个模型不同于以前的计划识别理论,它以计划执行模型为中心:以前的大多数方法都是基于计划作为正式对象或基于描述识别过程的规则。我们表明,我们的新模型占大多数以前的计划识别理论忽略的现象:特别是一系列的观察部分有序,交错的计划和计划采用的上下文的效果的累积效应。该模型还支持在另一个代理干预计划执行的情况下,计划执行的演变的推论。此功能为使用计划识别来构建智能地帮助用户的系统提供支持。
2013-01-23 cs.AI
APTree: Extended Behavior Trees for Adaptive and Scalable Automated Robotic Task Planning in Construction
University of Stuttgart(斯图加特大学);Institute for Computational Design and Construction(计算设计与建造研究所);Institute for Control Engineering of Machine Tools and Manufacturing Units(机床与制造单元控制工程研究所)
本文提出APTree框架,以行为树为执行模型,集成自动化任务规划与模块化执行,通过协调异构符号规划器生成大规模任务规划,可检测规划错误并保障执行安全,助力建筑从业者便捷使用自动化任务规划。
2026-10-14 cs.AI cs.RO cs.SE
Faramesh: A Protocol-Agnostic Execution Control Plane for Autonomous Agent Systems
The Faramesh Labs(弗拉梅什实验室)
Faramesh通过非可绕过的动作授权边界,实现自主代理系统执行时的强制授权和可预测治理。
2026-01-25 cs.AI cs.CR cs.DC
The Planning Spectrum - One, Two, Three, Infinity
University of Trento(特伦托大学);Rice University(莱斯大学)
线性时态逻辑(LTL)被广泛用于定义动态系统执行路径上的条件。在允许非确定性演化的动态系统的情况下,我们必须指定满足LTL公式f的路径。两种极端情况是普遍解释A.f和存在解释E.f,前者要求公式对所有执行路径都满足,后者要求公式对某条执行路径都满足.当LTL应用于不确定域规划问题的目标定义时,这两种极端情况限制太多.在系统的所有非确定性演化中,通常不可能制定出实现目标的计划,并且要求通过某些执行来满足目标也太弱了。在本文中,我们将探讨这些极端情况之间的LTL公式的替代解释。我们定义了一种新的语言,它允许A和E量词的任意组合,从而允许,例如,要求每个有限执行可以扩展到满足LTL公式(AE.f)的执行,或者有一些有限执行的扩展都满足LTL公式(EA.f)。我们发现,只有八个这些组合的路径量词是相关的,对应于交替的量词的长度为1(A和E),2(AE和EA),3(AEA和EAE),和无穷大((AE)* 和(EA)*)。我们还提出了一个新的语言,是基于自动机理论的方法的规划算法,并研究其复杂性。
2011-09-28 cs.AI
Auto-MAP: A DQN Framework for Exploring Distributed Execution Plans for DNN Workloads
Alibaba Group(阿里巴巴集团)
在过去的十年中,训练深度神经网络的计算需求不断增长。目前的办法(例如,数据/模型并行性、流水线并行)将训练任务并行化到多个设备上。然而,这些方法总是依赖于特定的深度学习框架,并且需要精心的手动设计,这使得难以在不同类型的模型之间进行维护和共享。在本文中,我们提出了Auto-MAP,一个用于探索DNN工作负载的分布式执行计划的框架,它可以通过深度学习模型的IR级别上的强化学习自动发现快速并行化策略。有效的探索仍然是强化学习的主要挑战。我们利用DQN与特定任务的修剪策略,以帮助有效地探索搜索空间,包括优化的策略。我们的评估表明,Auto-MAP可以在两个小时内找到最佳解决方案,同时在几个NLP和卷积模型上实现更好的吞吐量。
2020-07-08 cs.AI cs.DC
An Experimental Comparison of Cognitive Forcing Functions for Execution Plans in AI-Assisted Writing: Effects On Trust, Overreliance, and Perceived Critical Thinking
Max Planck Institute for Software Systems(马克斯·普朗克软件系统研究所);Microsoft Research(微软研究院)
本研究通过实验比较不同认知强制函数对AI辅助写作中信任、过度依赖和批判性思维的影响,发现假设类CFF最有效减少过度依赖。
2026-01-25 cs.AI cs.HC
Planning and Acting While the Clock Ticks
Technion(以色列理工学院);Ben-Gurion University(本-古里安大学);University of New Hampshire(新罕布什尔大学)
针对时间紧迫无法先完成规划再执行的问题,提出并发规划与执行新设置,支持在规划终止前调度动作并处理挂钟截止时间,扩展元推理开发新算法,在强时间压力下优于情境时序规划。
2024-03-21 cs.AI