Enhancing Temporal Planning Domains by Sequential Macro-actions (Extended Version)
Graz University of Technology(格拉茨技术大学);Czech Technical University in Prague(捷克技术大学(布拉格));University of Klagenfurt(克拉根福大学)
针对多智能体共享资源的大规模时序规划场景中规划器性能下降的问题,提出可保证规划适用性的序列时序宏动作方法,在多个竞赛基准上验证了规划质量与求解效果的提升。
2023-07-22 cs.AI
A Temporal Planning Approach for Intelligent Flood Response
Dhaka University of Engineering & Technology(达卡工程技术大学);Bangladesh Army University of Engineering & Technology(孟加拉国陆军工程技术大学)
本研究提出一种智能防洪响应框架,利用时序规划技术建模防洪响应全生命周期,整合多类关键要素并支持执行中重规划,通过两种规划语言表述,实验验证其可行性与可扩展性并指导规划器选择。
2026-08-24 cs.AI
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
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
PDDL2.1: An Extension to PDDL for Expressing Temporal Planning Domains
University of Strathclyde(思克莱德大学)
近年来,规划界的研究越来越倾向于将规划师应用于涉及时间和多种资源的现实问题。例如,空间研究界表现出的对规划的兴趣激发了在观测时间安排、行星漫游车探索和航天器控制领域的工作。其他时间和资源密集型领域,包括物流规划,工厂控制和制造,也有助于将社区集中在建模和推理问题上,这些问题必须面对规划技术,以满足应用的挑战。自1998年以来,国际规划竞赛一直是推动规划工作取得进展的重要动力。第三届竞赛(2002年举行)为规划界提出了处理时间和数字资源的挑战。这就需要开发一种能够表达规划域的时间和数值属性的建模语言。在本文中,我们描述的语言,PDDL2.1,这是在竞争中使用的。我们描述了语言的语法,其形式语义和并发计划的验证。我们观察到,PDDL2.1具有相当大的建模能力-超过了当前规划技术的能力-并向研究界提出了一些重要的挑战。
2011-06-22 cs.AI
A Hierarchical Temporal Planning-Based Approach for Dynamic Hoist Scheduling Problems
Sun Yat-Sen University(中山大学);Software Engineering Institute of Guangzhou(广州软件工程研究所)
随着自主设备的发展,提升机调度已成为电镀行业应用的瓶颈。虽然有一些方法提出了针对具有挑战性的问题,他们通常不能扩展到大规模的调度问题。在本文中,我们制定了提升机调度问题作为一个新的时间规划问题的形式,适应PDDL,并提出了一种新的分层时间规划方法,有效地解决调度问题。此外,我们还提供了一系列真实的基准测试实例,可用于评估问题的解决方案。我们表明,所提出的方法是能够有效地找到高质量的解决方案,为大规模的现实生活中的基准实例,与国家的最先进的基线相比。
2022-12-11 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 Through Stochastic Local Search and Temporal Action Graphs in LPG
我们提出了一些技术规划领域指定最近的标准语言PDDL2.1,支持“持续性行动”和数值量。这些技术在LPG中实现,LPG是一个独立于领域的规划器,参加了第三届国际规划竞赛(IPC)。LPG是一个增量的,任何时间系统产生多标准的质量计划。该系统的核心基于随机局部搜索方法和称为“时间动作图”(TA图)的基于图的表示。本文着重于时间规划,介绍TA-图,并提出了一些技术来指导LPG使用这种表示的搜索。第三届IPC的实验结果,以及本文提出的进一步结果,表明我们的技术可以是非常有效的。LPG通常在导出解决方案的速度或可产生的解决方案的质量方面优于第三IPC的所有其他全自动规划器。
2011-06-26 cs.AI
TCP: a Benchmark for Temporal Constraint-Based Planning
University of Cambridge(剑桥大学);LMU Munich(慕尼黑大学);Amazon(亚马逊公司);University of Oxford(牛津大学)
提出TCP基准联合评估大语言模型的时间推理与规划能力,发现即使最强模型也难以满足复杂时间约束,揭示了其局限性并开源以促进未来研究。
2025-10-13 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
MACI: Multi-Agent Collaborative Intelligence for Adaptive Reasoning and Temporal Planning
Stanford University(斯坦福大学)
本文提出多智能体协作智能框架MACI,通过元规划器、任务智能体和运行时监控器三个组件,结合常识推理与规划验证解耦,克服传统LLM在推理、时间感知和约束管理上的局限,在调度任务中表现稳健。
2025-01-29 cs.AI
FAPE: a Constraint-based Planner for Generative and Hierarchical Temporal Planning
LAAS-CNRS(法国国家科学研究中心自动化系统实验室);Université de Toulouse(图卢兹大学);INSA(法国国立应用科学学院);CNRS(法国国家科学研究中心);NASA Ames Research Center(美国国家航空航天局艾姆斯研究中心)
时间规划提供了许多优点时,基于表达的表示。时间轴可以提供所需的表现力,但以搜索效率为代价。我们在这里提出了一个时间规划器,称为FAPE,它支持ANML建模语言的许多表达时间的功能,而不会失去效率。FAPE的表示连贯地集成了灵活的时间表与分层细化方法,可以提供有效的控制知识。提出了一种新的可达性分析技术,并用于开发因果网络来约束搜索空间。它被用于设计有根据的推理方法、推理方法和有效的搜索策略。在该领域的共同基准上的实验结果允许评估FAPE的组件和搜索策略,并将其与IPC规划者进行比较。结果表明,所提出的方法是有竞争力的表达较少的规划,往往优于分层控制知识时提供。FAPE是一个免费提供的系统,提供了其他功能,这里没有涉及,例如计划与行动的集成,以及在部分可观察环境中处理感知动作。
2020-10-25 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
Zero-Shot Signal Temporal Logic Planning with Disjunctive Branch Selection in Dynamic Semantic Maps
School of Automation and Intelligent Sensing, Shanghai Jiao Tong University(上海交通大学自动化与智能感知学院);Key Laboratory of System Control and Information Processing, the Ministry of Education of China(中国教育部系统控制与信息处理重点实验室)
本文提出一种零样本STL规划求解器,通过映射条件Transformer与轻量启发式结合,有效处理复杂离散子公式,利用传递强化学习确保时间一致性和逻辑连贯性,实验证明其在动态语义地图中具有优越的零样本泛化能力。
2026-05-02 cs.AI
Formal Semantics and Formally Verified Validation for Temporal Planning
Techniche Universität München(慕尼黑工业大学);King’s College London(伦敦国王学院)
我们提出了一个简单而简洁的语义时间规划。我们的语义开发和形式化的逻辑的互动定理证明伊莎贝尔/HOL。我们从这些语义的验证算法的时间规划和显示,使用Isabelle/HOL的正式证明,该验证算法实现我们的语义。我们通过实验评估我们验证的验证算法,并表明它是实用的。
2022-03-25 cs.AI cs.LO
Extracting Lifted Mutual Exclusion Invariants from Temporal Planning Domains
Royal Holloway University of London(伦敦大学皇家霍洛威学院);Politecnico di Torino(都灵理工大学);NASA Ames Research Center(NASA艾姆斯研究中心)
我们提出了一种技术,用于自动提取互斥不变量的时间规划实例。它首先通过检查域的提升表示来识别一组不变模板,然后根据确保不变性的属性检查这些模板。我们的技术建立在文献中提出的其他方法不变的合成,但从他们有限的关注瞬时动作,通过解决时间域。为了处理时间,我们制定了不变性条件,占整个结构的行动和可能的并发之间的相互作用。因此,我们构建了一个显着更全面的技术比以前的方法,这是能够找到不仅是时间域的不变量,但也是一个更广泛的一组不变量的非时间域。本文中报道的实验结果提供了证据表明,确定一个更广泛的不变量集的结果在生成更少的多值状态变量与更大的域。我们表明,反过来,这种减少的变量的数量反映了积极的性能上的一些时间规划,使用变量/值表示显着减少他们的运行时间。
2017-02-07 cs.AI
STMA: A Spatio-Temporal Memory Agent for Long-Horizon Embodied Task Planning
The Chinese University of Hong Kong, Shenzhen(香港中文大学(深圳));Harbin Engineering University(哈尔滨工程大学);Infused Synapse AI
提出时空记忆智能体框架STMA,通过整合时空记忆模块、动态知识图谱和规划器-评论家机制,在TextWorld环境中显著提升了具身智能体长时序任务规划的成功率与平均得分。
2025-03-02 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
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
Exploiting Symbolic Heuristics for the Synthesis of Domain-Specific Temporal Planning Guidance using Reinforcement Learning
Fondazione Bruno Kessler(布伦诺·科塞勒基金会)
本文提出一种改进的时序规划学习框架,结合符号启发式与强化学习,通过学习符号启发式的残差,采用多队列规划方法,提升了时序规划的性能。
2026-08-14 cs.AI
Compositional planning in Markov decision processes: Temporal abstraction meets generalized logic composition
Worcester Polytechnic Institute(伍斯特理工学院)
在马尔可夫决策过程(MDP)的层次规划中,时间抽象允许以顺序组合的形式对发生在不同时间尺度上的宏动作进行规划。在本文中,我们提出了一种新的方法,组合推理和层次规划的时态逻辑约束下的MDP。除了顺序组合,我们介绍了一种基于广义逻辑组合的策略组合:给定子任务的子策略和一个新的任务表示为子任务的逻辑组合,一个半最优的策略,这是最优的规划与只有子策略,可以通过简单地组合子策略。因此,一个综合算法的开发,以计算最优策略有效地规划与原始行动,子任务的政策,和子政策的组成,以最大限度地满足时态逻辑规格的概率。我们证明了所提出的方法的正确性和效率在随机规划的例子与一个单一的代理和多个任务规范。
2019-07-22 cs.AI math.OC
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
FOND Planning for LTLf and PLTLf Goals
Sapienza University(罗马大学)
在这份报告中,我们将定义一个新的方法来解决扩展时间目标的非确定性规划问题。特别是,我们将给出一个解决方案,这个问题减少到一个完全可观察的非确定性(FOND)规划问题,并利用LTLfToDFA工具。首先,我们将介绍支持我们方法的主要思想和动机。然后,我们将给出一些术语来解释规划领域定义语言(PDDL)语言和FOND规划问题。在那之后,我们将说明我们的FOND4LTLfPLTLf(也可以在线获得)方法,将时间目标编码为PDDL域和问题。最后,我们将提出一些结果,通过应用所提出的解决方案。
2020-04-15 cs.AI
Formally Verified Certification of Unsolvability of Temporal Planning Problems
本文提出将时序规划问题编码为时间自动机网络,结合模型检查器与经 Isabelle/HOL 形式化验证的证书检查器,为不可解性结论提供高可信认证。
2026-11-17 cs.AI cs.LO
Learning-based Motion Planning in Dynamic Environments Using GNNs and Temporal Encoding
UCSD(加州大学圣地亚哥分校);MIT(麻省理工学院)
针对动态环境下运动规划需处理大状态空间时空交互的难题,提出结合时间编码、模仿学习与数据聚合的GNN方法,可大幅提升规划速度并保持高成功率。
2022-10-16 cs.AI cs.RO
Handling PDDL3.0 State Trajectory Constraints with Temporal Landmarks
Universitat Politècnica de València(瓦伦西亚理工大学)
时间地标已被证明是一个有用的机制,以处理时间规划问题,特别是提高规划者的性能和处理问题的最后期限约束。在本文中,我们展示了使用时间地标来处理PDDL3.0的状态轨迹约束的强度。我们分析了TempLM的形式主义,时间规划器,特别是针对解决规划问题的最后期限,我们提出了一个详细的研究,利用底层的时间地标为基础的机制TempLM的轨迹约束表示和推理。
2017-06-26 cs.AI
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
Probabilistic Planning with Partially Ordered Preferences over Temporal Goals
University of Florida(佛罗里达大学)
在本文中,我们研究规划随机系统,建模为马尔可夫决策过程(MDP),在时间上扩展的目标的偏好。先前的工作时间规划的偏好假设用户的偏好形成一个总的顺序,这意味着每对结果是相互比较的。在这项工作中,我们考虑的情况下,可能的结果的偏好是一个偏序,而不是一个总的顺序。我们首先介绍了一个变种的确定性有限自动机,称为偏好DFA,用于指定用户的偏好在时间上扩展的目标。基于序理论,我们将偏好DFA转化为一个标记MDP中的概率规划策略偏好关系。在这种治疗中,最优选的政策诱导弱随机非支配概率分布的有限路径的MDP。所提出的规划算法取决于一个多目标MDP的建设。我们证明了弱随机非支配政策的偏好规格是帕累托最优的构造多目标MDP,反之亦然。在整个文件中,我们采用了一个运行的例子来证明所提出的偏好规范和解决方案的方法。我们使用的例子与详细的分析,我们的算法的有效性,然后讨论可能的未来方向。
2023-03-07 cs.AI cs.RO
Temporally Decoupled Diffusion Planning for Autonomous Driving
本文提出时间解耦扩散模型(TDDM),通过噪声掩码方法解决动态城市环境中即时安全与长期目标的平衡问题,改进轨迹生成并提升复杂场景下的规划性能。
2026-03-26 cs.AI cs.RO
LexiCon: a Benchmark for Planning under Temporal Constraints in Natural Language
Örebro University(厄勒布鲁大学);KU Leuven(鲁汶大学)
LexiCon 是一个基于自然语言的时间约束规划基准,通过给现有环境施加时间约束并转化为语言任务,评估 LLM 的规划能力;实验表明,约束增加时,包括 GPT-5、o3 和 R1 在内的先进模型性能下降。
2025-10-07 cs.AI cs.CL
Temporal Predictive Coding For Model-Based Planning In Latent Space
VinAI Research(VinAI研究院);Stanford University(斯坦福大学)
高维观测是基于模型的强化学习(MBRL)应用于现实世界环境的一个主要挑战。为了处理高维感觉输入,现有方法使用表示学习来将高维观测映射到更适合于动态估计和规划的低维潜在空间。在这项工作中,我们提出了一个信息理论的方法,采用时间预测编码的环境中,可以预测跨时间的元素进行编码。由于这种方法的重点是编码时间可预测的信息,我们隐式地优先考虑编码的任务相关的组件在环境中的滋扰信息是可证明的任务无关。通过结合递归状态空间模型学习该表示,我们可以在潜在空间中执行规划。我们评估我们的模型上的一个具有挑战性的修改标准DMControl任务的背景被替换为自然的视频,包含复杂的,但不相关的信息的规划任务。我们的实验表明,我们的模型是优于现有的方法,在具有挑战性的复杂背景设置,同时保持竞争力与当前国家的最先进的模型在标准设置。
2021-06-14 cs.AI cs.LG
Mixed-Density Diffuser: Efficient Planning with Non-Uniform Temporal Resolution
Paul G. Allen School of Computer Science and Engineering, University of Washington, Seattle, USA(保罗·G·艾伦计算机科学与工程学院,华盛顿大学,西雅图,美国)
本文提出混合密度扩散器,通过可调超参数实现规划时间分辨率的非均匀分布,提升在D4RL任务中的规划效率与性能。
2026-04-14 cs.AI cs.RO
Probabilistic Planning with Preferences over Temporal Goals
Worcester Polytechnic Institute(伍斯特理工学院)
我们提出了一个形式语言指定定性偏好的时间目标和随机系统中基于偏好的规划方法。使用自动机理论建模,所提出的规范允许我们表达偏好不同的结果集,其中每个结果描述了一组时间序列的子目标。我们定义了一个随机过程中可能的结果的偏好满意度的值,并开发了一个算法的时间约束的概率规划标记马尔可夫决策过程中,代理的目标是最大限度地满足其偏好公式在一个预定义的有限的持续时间。我们目前的实验结果使用随机网格世界的例子,并讨论可能的扩展建议的偏好模型。
2021-03-26 cs.AI cs.FL cs.SY
Probabilistic Planning with Prioritized Preferences over Temporal Logic Objectives
Worcester Polytechnic Institute(伍斯特理工学院);University of Florida(佛罗里达大学)
针对概率MDP中多时序目标的优先级偏好规划问题,提出优先级定性选择LTL_f语言并转换为加权自动机,以计算最小化期望不满意得分的最优策略。
2023-04-23 cs.AI cs.FL
Planning with Spatial-Temporal Abstraction from Point Clouds for Deformable Object Manipulation
Stanford University(斯坦福大学);MIT-IBM Lab(麻省理工学院-IBM实验室)
本文提出PASTA框架,结合空间与时间抽象,从点云中学习潜在表示并规划技能序列,实现真实世界中多技能组合的可变形物体顺序操作任务。
2023-06-23 cs.AI cs.RO
In-Context Planning with Latent Temporal Abstractions
Vanderbilt University(范德比大学);William & Mary(威廉与玛丽学院)
I-TAP通过学习离散时间抽象空间,实现高效且鲁棒的上下文规划,在部分可观测和随机动态环境中表现优异。
2026-02-21 cs.AI cs.LG
Specification mining and automated task planning for autonomous robots based on a graph-based spatial temporal logic
University of Notre Dame(圣母大学)
我们的目标是使自主机器人能够从演示视频中学习新技能,并使用这些新学到的技能来完成重要的高级任务。开发这种自主机器人的目标涉及到知识表示、规范挖掘和自动任务规划。对于知识表示,我们使用基于图的时空逻辑(GSTL)来捕获演示视频所演示的相关技能的时空信息。我们设计了一个规范挖掘算法,通过归纳构造空间项和时间公式,从演示视频中生成一组参数化的GSTL公式。从规范挖掘得到的参数化GSTL公式作为域理论,用于自主机器人的自动任务规划。提出了一种基于GSTL的自动任务规划方法,其中提出者用于生成有序动作,验证者用于生成可执行的任务计划。文中以表格设置为例说明了本文的主要思想。
2020-07-16 cs.AI cs.RO cs.SY
TripCraft: A Benchmark for Spatio-Temporally Fine Grained Travel Planning
School of Electrical and Computer Sciences, IIT Bhubaneswar(布巴内斯瓦尔印度理工学院电气与计算机科学学院);Microsoft(微软公司)
TripCraft提出一个时空连贯的旅行规划基准数据集,整合现实约束,并引入五个连续评估指标,显著提升餐饮安排得分,推动LLM驱动的个性化旅行规划。
2025-02-27 cs.AI cs.CL
Decomposition-based Hierarchical Task Allocation and Planning for Multi-Robots under Hierarchical Temporal Logic Specifications
Robotics Institute, Carnegie Mellon University(卡内基梅隆大学机器人研究所);College of Control Science and Engineering, Zhejiang University(浙江大学控制科学与工程学院)
针对复杂时序逻辑规范下的多机器人任务分配与规划问题,提出基于分解的分层框架,通过原子子任务分解、任务网络构建及混合整数线性规划分配,在导航和操作仿真中实现更优解和更短运行时间。
2024-05-23 cs.AI cs.RO
Comparing and Integrating Constraint Programming and Temporal Planning for Quantum Circuit Compilation
Quantum Artificial Intelligence Laboratory, NASA Ames Research Center(量子人工智能实验室,美国国家航空航天局阿姆斯特朗研究中心);Planning and Scheduling Group, NASA Ames Research Center(规划与调度组,美国国家航空航天局阿姆斯特朗研究中心);USRA Research Institute for Advanced Computer Science(美国宇航局高级计算机科学研究所);Stinger Ghaffarian Technologies, Inc.(Stinger Ghaffarian技术公司);Department of Mechanical & Industrial Engineering, University of Toronto(多伦多大学机械与工业工程系)
本文比较了约束编程与时间规划在量子电路编译中的应用,提出混合方法提升求解质量,证明混合方法在多数问题中优于单独使用时间规划。
2018-03-19 cs.AI cs.ET cs.SY
What to Do When You Can't Do It All: Temporal Logic Planning with Soft Temporal Logic Constraints
University of South Carolina(南卡罗来纳大学)
在本文中,我们考虑一个时序逻辑规划问题,其目标是找到一个无限的轨迹,满足最优选择从一组软规格表示在线性时序逻辑(LTL),同时满足硬规格表示在LTL。我们以前的工作考虑了一个类似的问题,其中线性动态逻辑有限迹(LDLf),而不是LTL,用于表示软约束。在这项工作中,LDLf被用来对无限轨迹的有限前缀施加约束。通过使用LTL,人们不仅能够对轨迹的有限前缀施加约束,而且还能够在整个无限轨迹上设定“软”目标。我们的算法首先构造一个产品自动机,在其上的规划问题被减少到计算一个最小成本的套索。在所有这样的套索中,期望计算最短的套索。虽然我们证明了计算这样一个最短的套索是计算困难的,我们也引入了一个有效的贪婪的方法来合成短套索。我们提出了两个案例研究,描述了这种方法的实施,并报告我们的实验结果比较我们的贪心算法与最佳基线。
2020-08-05 cs.AI cs.LO cs.RO
Diverse Planning with Simulators via Linear Temporal Logic
School of Computer Science University of St Andrews(计算机科学学院圣安德鲁大学)
本文提出 $\ exttt{FBI}_\ exttt{LTL}$,利用 LTL 定义并在搜索中集成语义多样性准则,为基于仿真的规划生成真正语义不同的计划,实验表明其多样性优于基线。
2025-10-20 cs.AI cs.MA
ScheduleStream: Temporal Planning with Samplers for GPU-Accelerated Multi-Arm Task and Motion Planning & Scheduling
NVIDIA Research Seattle Robotics Lab (SRL)(NVIDIA西雅图机器人实验室);University of Sydney(悉尼大学)
提出ScheduleStream,首个通用框架,通过混合持续动作和领域无关算法,结合GPU加速采样器,实现多臂并行任务与运动规划及调度。
2026-05-28 cs.AI cs.MA cs.RO
Efficient Planning with Latent Diffusion
The Chinese University of Hong Kong, Shenzhen(香港中文大学(深圳));Shenzhen Institute of Artificial Intelligence and Robotics for Society(深圳人工智能与机器人研究院)
针对离线强化学习中时间抽象与规划效率问题,提出基于分数潜扩散模型的连续潜动作表示学习与规划框架 LatentDiffuser,并通过理论等价和序列级精确采样提升高维任务性能。
2023-09-30 cs.AI cs.LG
Open-Vocabulary Spatio-Temporal Scene Graph for Robot Perception and Teleoperation Planning
HI-Robot Lab, School of Automation Science and Engineering, South China University of Technology(华南理工大学自动化科学与工程学院);Institute of AI Industries, Chinese Academy of Science(中国科学院人工智能产业研究所);School of Computer Science, Central China Normal University(中央财经大学计算机科学学院);School of Computer Science and Informatics, University of Liverpool(利物浦大学计算机科学与信息学院)
提出时空开放词汇场景图(ST-OVSG),结合时间动态与延迟标注,解决遥操作中传输延迟导致的命令误解,提升规划鲁棒性,在Replica基准上节点准确率达74%,延迟鲁棒实验中规划成功率达70.5%。
2025-10-27 cs.AI cs.RO
Optimal Task Assignment and Path Planning using Conflict-Based Search with Precedence and Temporal Constraints
Carnegie Mellon University(卡内基梅隆大学)
本文研究带优先级和时间约束的任务分配与路径规划问题,扩展Conflict-Based Search以同时生成无碰撞路径和任务分配,最大化强化学习奖励回报,高效解决拆弹等复杂任务。
2024-04-22 cs.AI cs.MA
Alternating Abduction and Planning over Temporal Dynamic Knowledge Graphs
Najm(纳吉姆);Tafresh University(塔夫雷什大学)
该研究提出统一框架PIE-APT,含PIE-Abducer与PIE-APT模块,通过增量直接推导溯因解决动态知识图谱规划与矛盾检测问题,在OWL基准上优于经典规划器与MHS基线。
2026-11-18 cs.AI cs.LO
ET-Plan-Bench: Embodied Task-level Planning Benchmark Towards Spatial-Temporal Cognition with Foundation Models
Huawei Noah’s Ark Lab(华为诺亚方舟实验室);Huawei Cloud(华为云)
针对大型语言模型在具身任务规划中的应用,提出ET-Plan-Bench基准,评估其空间与时空因果理解能力,实验显示模型在复杂任务中性能下降,为相关研究提供诊断框架。
2025-02-13 cs.AI cs.RO
A User Study on Contrastive Explanations for Multi-Effector Temporal Planning with Non-Stationary Costs
University of Bristol(布里斯托尔大学)
本文针对智能家居多执行器时序规划问题,设计自定义规划器并采用反事实解释,通过128人用户研究证明其能提升用户满意度、理解度和对AI推荐方案的帮助性评价。
2024-09-20 cs.AI cs.HC cs.LG
MATEO: A Multimodal Benchmark for Temporal Reasoning and Planning in LVLMs
Signals and Interactive Systems Lab, University of Trento, Italy(特伦托大学信号与交互系统实验室);University of Trento(特伦托大学);Amazon(亚马逊)
MATEO是一个多模态基准,用于评估和提升大型视觉语言模型在时间推理和规划方面的能力。
2026-02-16 cs.AI cs.CL cs.LG
Planning for Compilation of a Quantum Algorithm for Graph Coloring
KBR(KBR公司)
编译用于在近期量子处理器上实现的通用量子算法的问题已被引入AI社区。以前的工作表明,时间规划是一个有吸引力的方法,这个compilationtask的一部分,具体来说,电路的路由,实现量子交替算子Answer(QAOA)应用于量子处理器架构上的MaxCut问题。在本文中,我们将以前的工作扩展到路由电路,实现QAOA图着色问题。用于着色的QAOA需要在芯片上执行更多、更复杂的操作,这使得路由成为一个更具挑战性的问题。我们评估了领先的量子计算公司的最先进的硬件架构的方法。此外,我们应用规划的方法来量子位初始化。我们的经验评估表明,时间规划比较合理的分析上限,并解决量子位初始化与经典的计划一般有助于时间规划者在寻找更短的最大完工时间编译QAOA图着色。这些进展表明,时间规划可以成为更复杂的量子计算算法和架构的有效方法。
2020-02-23 cs.AI cs.ET quant-ph
A game-theoretic approach to timeline-based planning with uncertainty
University of Udine(乌迪内大学);University of Roma Tre(罗马第三大学);National Research Council(国家研究委员会);The University of Western Australia(西澳大学)
在基于时间线的规划中,域被描述为一组独立但相互作用的组件,其随时间的行为(时间线集)由一组时间约束控制。基于时间线的计划系统的一个显著特征是通过合成灵活计划的控制策略来整合计划与执行的能力。然而,灵活的计划只能代表时间的不确定性,而更复杂的形式的非确定性需要处理更广泛的现实问题。在本文中,我们提出了一种新的博弈论的方法,以时间线为基础的规划问题,概括了最先进的,同时统一处理时间的不确定性和非确定性。我们定义了一个一般概念的时间线为基础的游戏,我们表明,这些游戏的获胜策略的概念是严格的更一般的控制策略的动态可控的灵活的计划。此外,我们发现,建立这样的获胜策略的存在性的问题是可判定的使用双指数量的空间。
2019-05-27 cs.AI cs.GT
Forecaster: Towards Temporally Abstract Tree-Search Planning from Pixels
McGill University(麦吉尔大学);Mila(米拉计算科学研究所)
提出Forecaster深度分层强化学习方法,通过时间抽象世界模型进行树搜索规划,实现像素级复杂环境下的样本高效学习,并在AntMaze领域验证了单任务与泛化能力。
2023-10-16 cs.AI cs.LG cs.SY
Temporal Planning via Interval Logic Satisfiability for Autonomous Systems
The University of Melbourne(墨尔本大学);The University of Toronto(多伦多大学);Monash University(莫纳什大学)
本文提出以 Allen 区间逻辑表达动作与流的区间关系,并构建 CP 规划图处理复杂并发,实验显示其在案例研究中优于 PDDL 2.1 规划器。
2024-06-14 cs.AI cs.LO cs.SY