Embodied CAD: Solver-Grounded LLM Agents for Parametric B-Rep Assembly Modeling
Nanjing University(南京大学)
提出Embodied CAD框架,通过分层技能库和求解器反馈,让LLM代理迭代生成并修复参数化B-Rep装配模型,实现高可执行率和任务完成率。
2026-07-01 cs.AI
Hint-before-Solving Prompting: Guiding LLMs to Effectively Utilize Encoded Knowledge
National University of Singapore(新加坡国立大学);School of Computer Science, Fudan University(复旦大学计算机科学学院);Shanghai AI Laboratory(上海人工智能实验室)
本文提出先提示后求解的提示方法HSP,通过先引导LLM生成关键提示再生成推理步骤,在多个推理基准上有效提升准确率,并构建HSPMATH数据集微调模型以超越GPT-3.5等基线。
2024-02-22 cs.CL
TAHOE: Text-to-SQL with Automated Hint Optimization from Experience
ByteDance Inc.(字节跳动公司);Georgia Institute of Technology(佐治亚理工学院)
提出TAHOE系统,通过错误驱动的提示学习管道将调试痕迹转化为结构化提示库,结合策略层建模用户意图,在Spider 2.0-Snow上无需更新参数即可显著提升Text-to-SQL性能。
2026-06-11 cs.AI cs.DB
G-RRM: Guiding Symbolic Solvers with Recurrent Reasoning Models
提出神经符号方法G-RRM,将符号等变循环推理模型与回溯或SAT求解器结合,通过神经引导提升约束满足问题的搜索效率,在9×9数独上回溯加速33.3倍。
2026-07-03 cs.AI
GenJoin: Conditional Generative Plan-to-Plan Query Optimizer that Learns from Subplan Hints
Zurich University of Applied Sciences(应用科学大学苏黎世)
本研究提出新型生成式学习查询优化器GenJoin,将查询优化视为生成任务,从子计划提示中学习生成执行计划,在真实基准测试中显著优于PostgreSQL和现有最优方法,解决了传统学习型优化器数据需求大、推理慢、结果不稳定的问题。
2025-06-10 cs.AI cs.DB
An On-Line POMDP Solver for Continuous Observation Spaces
College of Engineering & Computer Science, The Australian National University(澳大利亚国立大学工程与计算机科学学院)
部分可观测规划是自主机器人的基本要求。解决这些规划问题的一个原则性方法是部分可观察马尔可夫决策过程(POMDP)。虽然求解POMDP在计算上是棘手的,但在过去的二十年中,在开发近似POMDP求解器方面已经取得了实质性的进展。然而,计算具有连续观测空间的问题的鲁棒解决方案仍然具有挑战性。大多数在线求解器依赖于离散化的观察空间或人为地限制在规划期间考虑的观察的数量来计算易处理的策略。在本文中,我们提出了一个新的在线POMDP求解器,称为懒惰的信念提取连续POMDP(LABECOP),它结合了蒙特卡洛树搜索和粒子滤波的方法来构建一个政策reprentation,它不需要离散化的观察空间,并避免限制在规划过程中考虑的观察数量。三个不同的问题,涉及连续观测空间的实验表明,LABECOP执行类似或优于国家的最先进的POMDP求解器。
2020-11-04 cs.AI cs.RO
From Solver Feedback to Faithful Plans: Multi-Role Reinforcement Learning for Symbolic Planning
University of Pennsylvania(宾夕法尼亚大学);Georgia Institute of Technology(佐治亚理工学院);Pace University(佩斯大学)
该研究提出基于求解器的多角色强化学习框架,仅用求解器反馈实现无人工演示的自然语言转PDDL,在PlanBench上显著提升规划成功率与可信性,降低语义漂移。
2026-09-29 cs.AI
Vectorized Online POMDP Planning
School of Computing, Australian National University(澳大利亚国立大学计算机学院)
提出向量化在线POMDP规划器(VOPP),通过全向量化计算消除并行瓶颈,实现大规模并行在线规划,计算效率比现有最先进并行求解器高至少20倍。
2026-06-03 cs.AI cs.RO
Hierarchically Integrated Models: Learning to Navigate from Heterogeneous Robots
UC Berkeley(加州大学伯克利分校)
深度强化学习算法需要大量不同的数据集,以便学习基于感知的移动导航的成功策略。然而,用单个机器人收集这样的数据集可能是非常昂贵的。利用具有可能不同动态的多个不同机器人平台收集数据是大规模数据汇集的更可扩展的方法。但是,深度强化学习算法如何利用这些异构数据集呢?在这项工作中,我们提出了一个深度强化学习算法与层次集成模型(HInt)。在训练时,HInt学习单独的感知和动力学模型,在测试时,HInt以分层的方式集成这两个模型,并使用集成的模型规划行动。这种具有分层集成模型的规划方法允许算法在由各种不同平台收集的数据集上进行训练,同时尊重测试时部署机器人的物理能力。我们的移动导航实验表明,HInt优于传统的分层策略和单源方法。
2021-11-04 cs.AI cs.LG cs.RO
ViKiNG: Vision-Based Kilometer-Scale Navigation with Geographic Hints
UC Berkeley(加州大学伯克利分校)
机器人导航已经被视为一个3D重建和规划问题,以及一个端到端的学习问题。然而,远程导航需要关于局部可通行性的规划与推理,以及能够利用关于全球地理的一般知识,其形式为路线图、GPS或提供重要线索的其他辅助信息。在这项工作中,我们提出了一种方法,集成了学习和规划,并可以利用边信息,如示意性路线图,卫星地图和GPS坐标作为规划启发式,而不依赖于他们是准确的。我们的方法,ViKiNG,结合了一个本地可通行性模型,它着眼于机器人的当前摄像头观察和一个潜在的子目标,以推断子目标可以多么容易地达到,以及一个启发式模型,它着眼于开销地图的提示,并试图评估这些子目标的适当性,以达到目标。启发式规划器使用这些模型来确定到达最终目的地的最佳航路点。我们的方法不进行显式的几何重建,只利用环境的拓扑表示。尽管在其训练数据集中从未见过超过80米的轨迹,但ViKiNG可以利用其基于图像的学习控制器和目标导向启发式算法,在以前看不见的环境中导航到3公里外的目标,并表现出复杂的行为,例如探测潜在路径和在发现不可行时回溯。ViKiNG对不可靠的地图和GPS也是鲁棒的,因为底层控制器最终基于以自我为中心的图像观察做出决策,仅使用地图作为规划工具。有关我们实验的视频,请查看我们的项目页面https://sites.google.com/view/viking-release。
2023-01-10 cs.AI cs.LG cs.RO
Instrumenting an SMT Solver to Solve Hybrid Network Reachability Problems
SIFT, LLC.(SIFT有限责任公司);IST Austria(奥地利科学技术学院);University of Freiburg(弗莱堡大学)
PDDL+规划的语义植根于混合自动机(HA),最近的工作表明,它可以建模为一个网络的HA。解决复杂的非线性PDDL+规划的HA需要空间和时间效率的推理。不幸的是,现有的求解器要么不解决非线性动力学,要么不支持自动机网络。我们提出了一种新的算法,称为HNSolve,它指导dReal可满足性模理论(SMT)求解器的变量选择,同时推理网络编码的非线性PDDL+规划作为HA。HNSolve通过解决HA网络的离散抽象与dReal紧密集成。HNSolve在HA网络上查找忽略连续变量但尊重模式跳转和同步标签的复合运行。HNSolve可允许地检测离散抽象中的死胡同,并发布冲突子句来修剪SMT求解器的搜索。我们评估我们的HNSolve算法的好处PDDL+基准问题,并证明其性能相对于以前的工作。
2016-09-13 cs.AI
Lifted Sequential Planning with Lazy Constraint Generation Solvers
University of Melbourne(墨尔本大学);Monash University(莫纳什大学)
提出基于LCG的无实例化提升因果CP编码及传播子,用于序列经典规划,在少步骤实例上达到最优规划先进水平。
2023-07-17 cs.AI
LANS: A Layout-Aware Neural Solver for Plane Geometry Problem
MAIS Institute of Automation of Chinese Academy of Sciences(中国科学院自动化研究所MAIS研究所)
本文提出布局感知神经求解器LANS,通过MLA-PLM和LA-FA两个模块增强几何图形布局建模与跨模态融合,在Geometry3K和PGPS9K上取得优于现有求解器的性能。
2024-02-20 cs.AI cs.CV
Planning and Scheduling in Hybrid Domains Using Answer Set Programming
University of Arkansas at Pine Bluff(阿肯色大学松崖分校)
在本文中,我们提出了一个行动的回答集编程为基础的方法来解决规划和调度问题的混合域-域表现出离散和连续的行为。我们使用动作语言H表示域,然后将得到的理论转化为A-Prolog程序。通过这种方式,我们减少了寻找解决方案的问题,规划和调度问题的计算答案集的A-Prolog程序。我们从文献中引用了一个计划和调度的例子,并展示了如何在H。我们将展示如何将所得到的H理论转化为一个等价的A-Prolog程序。我们计算得到的程序使用的混合求解器称为EZCSP松散集成的约束求解器与答案集求解器的答案集。求解器允许我们推理实数上的约束,并计算复杂计划和调度问题的解决方案。结果表明,我们的方法可以适用于任何规划和调度问题的混合域。
2013-01-08 cs.AI
DisCSPs with Privacy Recast as Planning Problems for Utility-based Agents
University of Valenciennes(瓦朗谢讷大学);Kobe University(神户大学);Kyushu University(九州大学);Florida Institute of Technology(佛罗里达理工学院)
传统上,隐私一直是分散解决问题的主要动机。然而,即使已经提出了几个指标来量化它,没有一个容易与常见的求解器集成。约束编程是一种基本的范例,用于处理各种问题。我们引入了功利主义分布式约束满足问题(UDisCSP),其中每个状态的效用被估计为共享变量分配协议的预期回报和隐私损失的预期成本之间的差异。因此,传统的具有隐私要求的DisCSP被视为规划问题。代理可用的动作是:通信和本地推理。常见的分散式求解器在这里从他们的解释贪婪的规划者的角度进行评估。此外,我们研究了一些简单的扩展,这些求解器开始考虑效用函数。在这些扩展中,我们假设规划问题进一步限制通信动作的集合,仅限于相应的求解器协议中存在的通信原语。为新类型的问题获得的求解器提出了在每种情况下要执行的动作(通信/推理),从而定义了策略。
2016-04-22 cs.AI
Assignment-Routing Optimization: Solvers for Problems Under Constraints
Singapore Institute of Technology(新加坡理工学院);Mathematical Institute, Faculty of Mathematics and Physics, Charles University(数学学院,数学与物理系,查尔斯大学)
本文提出了一种基于MIP的求解器,用于解决受约束的路径-分配优化问题,在包装规划、运动规划和复杂物流中表现出高效和高质量的解决方案。
2025-12-21 cs.AI
Hybrid Reinforcement Learning and Search for Flight Trajectory Planning
University of Bologna(博洛尼亚大学)
本文提出一种混合强化学习与搜索的方法,用于快速优化民航飞行路径,通过预计算近优路径减少求解空间,提升计算效率并保持燃油消耗相近。
2026-08-20 cs.AI
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
Why Not? Solver-Grounded Certificates for Explainable Mission Planning
Serana AI Inc.(Serana AI公司)
本文提出基于求解器的可解释任务规划证书方法,通过优化模型本身生成解释,实现正确性、反事实有效性及稳定性,提升调度决策的可解释性。
2026-02-28 cs.AI math.OC
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
An Efficient Approach to the Online Multi-Agent Path Finding Problem by Using Sustainable Information
The Hong Kong University of Science and Technology(香港科技大学);The Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州))
多智能体路径寻找(MAPF)是移动智能体到目标顶点无碰撞的问题。在在线MAPF问题中,新的代理人可以在任何时候添加到环境中,并且当前代理人没有关于未来代理人的信息。现有的在线方法不能重用以前的规划上下文,导致冗余计算,降低算法效率。因此,我们提出了一个三层的方法来解决在线MAPF利用可持续发展的信息,这可以减少其冗余计算。高级求解器,可持续重新规划算法(SR),管理规划上下文并模拟环境。中层求解器,可持续的基于冲突的搜索算法(SCBS),建立一个冲突树,并保持规划上下文。低级求解器,可持续反向安全间隔路径规划算法(SRSIPP),是一个高效的单智能体求解器,使用以前的规划上下文,以减少重复计算。实验表明,我们提出的方法在计算效率方面有显着的改善。在一个测试场景中,我们的算法在不同的代理数量设置下平均比SOTA快1.48倍。
2023-01-11 cs.AI cs.MA cs.RO
Generalized Planning for the Abstraction and Reasoning Corpus
The University of Melbourne(墨尔本大学)
本文提出GPAR方法,将ARC抽象推理任务建模为带指针的广义规划问题,利用PDDL和领域知识约束提升求解性能,在以对象为中心的任务上超越现有最优求解器。
2024-01-15 cs.AI
Design of a Solver for Multi-Agent Epistemic Planning
Università di Udine(乌迪内大学)
随着人们对人工智能的兴趣不断增长,研究形式化和工具变得越来越重要,这些工具允许我们利用逻辑来推理世界。特别是,鉴于越来越多的多代理系统,可以受益于自动推理的技术,探索新的方法来定义不仅是世界的地位,而且代理的信息是不断增长的重要性。这种推理,即,关于主体对世界的感知以及主体对自己和他人的知识的认知,被称为认知推理。在我们的工作中,我们将试图形式化这个概念,通过认知逻辑,动态域表示。特别是,我们将尝试定义一个新的基于行动的语言多智能体认知规划和实现认知规划的基础上。这个求解器应该提供一个工具,足够灵活,能够在不同的领域,例如,经济、安全、正义和政治,在这些领域,对他人信仰的推理可能会导致获胜策略,或有助于改变一群代理人对世界的看法。
2019-09-18 cs.AI cs.IT cs.LO
A Cooperative Coordination Solver for Travelling Thief Problems
Data61 / CSIRO(Data61 / 联邦科学与工业研究组织);Griffith University(格里菲斯大学)
旅行小偷问题(TTP)是具有相互作用组件的多组件优化问题的代表。TTP结合了背包问题(KP)和旅行商问题(TSP)。一个小偷在一系列城市中进行循环旅行,并根据收集计划,将一部分物品收集到一个容量有限的租用背包中。其目的是最大限度地提高利润,同时最大限度地降低租赁成本。现有的TTP求解器通常以交错方式求解KP和TSP分量:一个分量的解保持固定,而另一个分量的解被修改。这表明解决这两个组件之间的协调性较低,可能导致低质量的TTP解决方案。2-OPT启发式算法通常用于求解TSP组件,该组件在巡回中反转一个段。在TTP中,2-OPT不考虑收集计划,这可能导致目标值较低。这又会导致求解器拒绝巡视修改。我们提出了一个扩展形式的2-OPT,以改变收集计划与旅游修改协调。被视为利润较低且在反向分部中位于较早的城市收集的项目被利润较高且不在反向分部中位于较晚的城市收集的项目所取代。收集计划通过修改形式的爬山位翻转搜索进一步改变,其中收集状态的改变仅允许边界项,其被定义为最低利润的收集项或最高利润的未收集项。这一限制减少了在KP组件上花费的时间,允许TSP组件在时间预算内评估更多的旅行。所提出的方法形成了一个新的合作协调求解器,这是优于几个国家的最先进的TTP求解器的基础。
2020-12-14 cs.AI math.OC
MultiZenoTravel: a Tunable Benchmark for Multi-Objective Planning with Known Pareto Front
YData Lab Inc.(YData实验室公司);Poznan University of Technology(波兹南理工大学);Inria Saclay(法国国家信息与自动化研究所萨克莱分部);Universite Paris-Saclay(巴黎萨克雷大学);Institut Pasteur(巴斯德研究所);Université Paris Cité(巴黎西岱大学)
针对多目标AI规划缺乏已知帕累托前沿基准的问题,提出可调基准生成器MultiZenoTravel及专用求解器,可证明性计算实例真实帕累托前沿,并通过全球大型机场航线场景完成实际验证。
2023-04-28 cs.AI
Hint-AD: Holistically Aligned Interpretability in End-to-End Autonomous Driving
Institute for AI Industry Research (AIR)(人工智能产业研究院(AIR));Xingjian College, Tsinghua University(清华大学行健书院);OpenDriveLab, Shanghai AI Lab(上海人工智能实验室OpenDriveLab);Mercedes-Benz Group China Ltd.(梅赛德斯-奔驰集团中国有限公司)
针对端到端自动驾驶自然语言解释未锚定中间输出的问题,提出Hint-AD集成系统,通过整体token mixer对齐感知-预测-规划结果,并发布Nu-X数据集。
2024-09-10 cs.AI cs.CV