ChatHTN: Interleaving Approximate (LLM) and Symbolic HTN Planning
American University(美国大学);Navy Center for Applied Research in AI(海军人工智能应用研究中心);Naval Research Laboratory(海军研究实验室);Interagens s.r.l(Interagens公司)
本文提出 ChatHTN 规划器,将符号 HTN 规划与 ChatGPT 生成的近似任务分解交错,并在利用 LLM 的同时保证所生成规划的可靠性,且提供开源实现。
2025-05-17 cs.AI
Planning in the Dark: LLM-Symbolic Planning Pipeline without Experts
Google DeepMind(谷歌DeepMind)
本文提出一种无需专家干预的 LLM-符号规划流水线,通过构建动作模式库生成多候选方案并引入语义验证与排序模块自动筛选,解决了传统方法依赖专家导致的扩展性受限与解释偏差问题,实验证明其规划性能优于直接 LLM 方法。
2024-09-24 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
PDDLCoder: Agentic PDDL Generation for LLM-Assisted Symbolic Planning
Technical University of Berlin(柏林工业大学);Fraunhofer FOKUS(弗劳恩霍夫FOKUS研究院)
本研究提出智能体式PDDL生成框架PDDLCoder,引入含711个问题的NL-pddlgym基准,其在测试集上可生成89.6%可执行规划,优于现有方法。
2026-08-18 cs.AI
LOOP: A Plug-and-Play Neuro-Symbolic Framework for Enhancing Planning in Autonomous Systems
LOOP框架将自主系统规划转化为神经与符号组件间的迭代对话,集成图神经网络、多智能体验证等13个特征,在六个IPC基准上取得85.8%成功率,显著超越LLM+P等方法。
2025-08-18 cs.AI
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
Conformant Planning via Symbolic Model Checking
ITC-irst;DSI, University of Milano(米兰大学DSI)
我们解决的问题,规划在不确定性领域,提出了一种新的方法,符合规划。一致性规划是寻找一系列行动的问题,这些行动保证实现目标,尽管领域是不确定的。我们的方法是基于表示的规划域作为一个有限的状态自动机。我们使用符号模型检验技术,特别是二叉决策图,compensate表示和有效地搜索自动机。在本文中,我们做出了以下贡献。首先,我们提出了一个通用的规划算法一致的规划,它适用于完全不确定的领域,在初始条件和行动效果的不确定性。该算法是基于广度优先,向后搜索,并返回符合计划的最小长度,如果存在的规划问题的解决方案,否则它终止的结论,该问题承认没有符合的解决方案。其次,我们提供了一个基于二叉决策图(BDDs)的搜索空间的符号表示,这是从符号模型检验派生的搜索技术的基础。符号表示使得在单个计算步骤中分析潜在的大量状态和转换成为可能,从而提供了有效的实现。第三,我们提出CMBP(Conformant Model Based Planner),一个有效的实现上述的数据结构和算法,直接基于BDD操作,它允许一个紧凑的表示的搜索层和搜索步骤的有效实现。最后,我们提出了一个实验比较,我们的方法与国家的最先进的符合规划CGP,QBFPLAN和GPT。我们的分析包括所有的规划问题,从这些系统的分销包,加上其他问题的定义,以强调一些特定的因素。我们的方法似乎是最有效的:严格来说,CMBP比QBFPLAN和CGP更有…
2011-06-01 cs.AI
Towards Reliable and Robust LLM Planning: Symbolic Feedback-Driven Iterative Self-Refinement Framework
Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所)
提出符号反馈驱动的迭代自我精炼框架,通过自然语言提示、符号验证器和计划识别器增强LLM在长时域规划中的鲁棒性和可靠性。
2026-06-29 cs.AI
WLPlan: Relational Features for Symbolic Planning
LAAS-CNRS(法国国家科学研究中心自动化与系统分析实验室);University of Toulouse(图卢兹大学)
针对规划研究中学习与规划模块需跨编程语言实现的问题,研究团队推出带Python绑定的C++包WLPlan,可自动生成规划任务关系特征,支持图转换与图核嵌入功能,助力可扩展学习规划器开发。
2024-11-01 cs.AI
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
NeSy-Route: A Neuro-Symbolic Benchmark for Constrained Route Planning in Remote Sensing
State Key Laboratory for Novel Software Technology, Nanjing University, China(新型软件技术国家重点实验室,南京大学);School of Artifical Intelligence, Nanjing University, China(人工智能学院,南京大学);School of Intelligence Science and Technology, Nanjing University, China(智能科学与技术学院,南京大学)
NeSy-Route是一个大规模神经符号基准,用于评估遥感中的约束路径规划能力,通过自动化数据生成框架和三级评估协议,全面测试多模态大语言模型的感知、推理和规划能力。
2026-07-16 cs.AI
PEORL: Integrating Symbolic Planning and Hierarchical Reinforcement Learning for Robust Decision-Making
Maana Inc.(Maana公司);Auburn University(奥本大学)
强化学习和符号规划都被用于构建智能自主智能体。强化学习依赖于从与现实世界的交互中学习,这通常需要大量的经验。符号规划依赖于手工制作的符号知识,这可能对领域的不确定性和变化不鲁棒。在本文中,我们提出了一个统一的框架{ \em PEORL},集成了符号规划与分层强化学习(HRL),以应付决策的动态环境中的不确定性。符号计划用于指导Agent的任务执行和学习,并将学习到的经验反馈给符号知识以改进规划。这种方法导致快速的政策搜索和强大的符号计划在复杂的领域。该框架在HRL的基准域上进行了测试。
2018-06-05 cs.AI cs.LG stat.ML
Learning First-Order Symbolic Representations for Planning from the Structure of the State Space
Universidad Simón Bolívar(西蒙·玻利瓦尔大学);ICREA(加泰罗尼亚高等研究院);Universitat Pompeu Fabra(庞培法布拉大学)
开发灵活的人工智能系统的主要障碍之一是基于数据的学习者和基于模型的求解者之间的分裂。求解器,如经典的规划是非常灵活的,可以处理各种问题的实例和目标,但需要一阶的符号模型。另一方面,基于数据的学习器是鲁棒的,但不产生这样的表示。在这项工作中,我们解决这个分裂,显示如何使用的规划者的一阶符号表示可以从非符号输入,编码的状态空间的结构。表示学习问题被公式化为在一个共同但未知的一阶域上推断规划实例的问题,该一阶域解释了所观察到的状态空间的结构。这意味着推断出一个完整的一阶表示(即一般动作模式,关系符号和对象),它解释了观察到的状态空间结构。推理问题被转换为两级组合搜索,其中外层搜索一小组超参数的值,内层通过SAT求解,搜索一阶符号模型。该框架产生一般和正确的一阶表示的标准问题,如夹具,Blocksworld,和河内输入图编码的平面状态空间结构的一个实例。
2020-02-20 cs.AI
Classical Planning in Deep Latent Space: Bridging the Subsymbolic-Symbolic Boundary
Graduate School of Arts and Sciences, University of Tokyo(东京大学综合文化研究科)
目前领域无关的经典规划器需要问题域和实例的符号模型作为输入,导致知识获取瓶颈。同时,尽管深度学习在许多领域取得了巨大的成功,但知识是以子符号表示的方式编码的,这与规划师等符号系统不兼容。我们提出了LatPlan,一个结合了深度学习和经典规划的无监督架构。仅给定一组未标记的图像对,显示环境中允许的转换子集(训练输入),以及一对表示初始和目标状态的图像(规划输入),LatPlan在符号潜在空间中找到目标状态的计划并返回可视化的计划执行。本文的贡献是双重的:(1)状态自动编码器,它使用变分自编码器找到环境的命题状态表示。它从图像中生成一个离散的潜在向量,基于此可以构建PDDL模型,然后由现成的规划器求解。(2)Action Autoencoder / Discriminator,一种神经架构,它联合发现动作符号和隐式动作模型(前提条件/效果),并为隐式图搜索提供后继函数。我们使用3个规划域的基于图像的版本来评估LatPlan:8-puzzle,Hanoi塔和LightsOut。
2017-12-03 cs.AI
ViPlan: A Benchmark for Visual Planning with Symbolic Predicates and Vision-Language Models
Fondazione Bruno Kessler(布鲁诺·科塞拉基金会);Department of Computer Science, Aalto University(艾尔沃斯大学计算机科学系);Department of Mathematics, Università degli Studi di Padova(帕多瓦大学数学系)
ViPlan是一个用于视觉规划的基准,比较基于VLMs的符号方法与直接VLM规划方法,发现不同方法在不同任务中的表现差异。
2026-09-02 cs.AI
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
Learning First-Order Symbolic Planning Representations That Are Grounded
Universitat Pompeu Fabra(庞培法布拉大学);Institució Catalana de Recerca i Estudis Avançats (ICREA)(加泰罗尼亚研究与高级研究院(ICREA));Linköping University(林雪平大学)
已经开发了两种主要方法来从非结构化数据中学习一阶规划(动作)模型:从状态空间的结构中产生清晰动作模式的组合方法,以及从图像表示的状态中产生动作模式的深度学习方法。前一种方法的一个好处是,学习到的动作图式类似于那些可以用手写的动作图式;后一种方法的一个好处是,学习到的表征(谓词)是基于图像的,因此,可以根据图像给出新的实例。在这项工作中,我们开发了一种新的公式,用于学习基于解析图像的清晰的一阶规划模型,这是结合两种方法的优点的一个步骤。解析图像被假定为在一个简单的O2 D语言(2D中的对象),涉及少量的一元和二进制谓词,如“左”,“上方”,“形状”等学习后,新的规划实例可以给出的解析图像对,一个用于初始情况,另一个用于目标。学习和规划实验报告的几个领域,包括块,推箱子,IPC网格和河内。
2022-04-30 cs.AI
Learning for Long-Horizon Planning via Neuro-Symbolic Abductive Imitation
National Key Laboratory for Novel Software Technology(计算机软件新技术国家重点实验室);Nanjing University(南京大学);School of Artificial Intelligence(人工智能学院)
针对现有模仿学习在长程任务中受限、传统符号规划难处理高维观测的问题,提出溯因模仿学习(ABIL)框架,整合数据驱动学习与符号推理,提升长程规划的数据效率与泛化能力。
2024-11-27 cs.AI cs.LG
How Far Are LLMs from Symbolic Planners? An NLP-Based Perspective
本研究将LLM规划视为NLP任务,提出含评估与三步恢复的流水线,结合符号规划器,发现LLM规划质量不及经典方法,但成功率由21.9%提升至27.5%。
2026-10-21 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
LLM-Evolved Domain-Independent Heuristics for Symbolic AI Planning
本文使用进化搜索让大语言模型生成领域无关的启发式函数,在未见测试域上超越手工最优启发式,并首次系统评估了启发式的信息性-速度权衡。
2026-06-18 cs.AI
Human-Centered Planning
Meta;Reality Labs Research, Meta(Meta现实实验室研究)
针对以人为中心的一日规划需求,该研究开发了带自我反思能力的LLM规划器LLMPlan和可转换文本约束的符号规划器SymPlan,实验显示LLMPlan约束满足能力接近符号规划器且用户满意度更高。
2023-11-08 cs.AI
A Fully Differentiable Neuro-Soft-Symbolic Framework for Perceptual Task Planning
Clemson University(克莱姆森大学)
提出全可微神经-软符号框架,连接感知与规划,通过软符号状态和可微转移算子优化动作,在Blocksworld上显著提升成功率并减少计算量。
2026-09-21 cs.AI cs.RO
Bridging Learned Visual Perception and Symbolic Belief-Space Planning
Technion - Israel Institute of Technology(以色列理工学院)
本文提出VLM作为概率接地器的新范式,将视觉-语言模型的谓词接地不确定性建模为符号状态上的概率分布,实现信念空间规划,在模拟家庭机器人环境中提升了鲁棒性和任务成功率。
2026-09-16 cs.AI cs.RO
Learning Type-Generalized Actions for Symbolic Planning
Honda Research Institute EU(本田欧洲研究院)
本文提出利用实体层次结构和相似行为学习类型泛化符号动作,在模拟厨房环境中从少量观察泛化到新情境,并借助即时泛化机制解决未见任务组合。
2025-04-24 cs.AI cs.RO
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
Novelty Adaptation Through Hybrid Large Language Model (LLM)-Symbolic Planning and LLM-guided Reinforcement Learning
Department of Computer Science, Tufts University(塔夫茨大学计算机科学系);Austrian Institute of Technology GmbH(奥地利技术研究所)
本文提出一种融合大语言模型、符号规划和强化学习的神经符号架构,用于在动态开放环境中处理新颖物体,通过LLM识别缺失操作符并生成计划,提升机器人在连续领域中的操作符学习能力。
2026-10-05 cs.AI cs.RO
Towards Combining HTN Planning and Geometric Task Planning
LAAS/CNRS(法国国家科学研究中心系统架构与分析实验室)
在本文中,我们提出了一个符号规划器和几何任务规划器之间的接口,这是一个标准的轨迹规划器的不同之处在于,前者是能够执行抽象的实体-任务的几何推理。我们相信,这种方法有利于一个更有原则的接口,象征性的规划,同时也留下了更多的空间,几何规划师作出独立的决定。我们展示了两个规划者如何进行接口,以及他们的规划和回溯如何交错。我们还提供了使用组合系统的方法的见解,和实验结果作为基准与未来的扩展组合系统,以及几何任务规划。
2013-07-04 cs.AI
PO-PDDL: Learning Symbolic POMDPs from Visual Demonstrations for Robot Planning Under Uncertainty
Shanghai Jiao Tong University(上海交通大学);Shanghai Innovation Institute(上海创新研究院)
提出PO-PDDL符号化POMDP框架,通过从机器人执行视频中重建潜在状态轨迹、识别部分可观测性并学习随机转移与观测模型,实现不确定性下的鲁棒任务规划。
2026-08-21 cs.AI cs.RO
Learning Neuro-Symbolic Skills 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)
在机器人环境中,决策具有连续的以对象为中心的状态,连续的动作,长视野和稀疏反馈。分层方法,如任务和运动规划(TAMP),通过将决策分解为两个或更多个抽象级别来解决这些挑战。在给出演示和符号谓词的环境中,之前的工作已经展示了如何使用手动设计的参数化策略学习TAMP的符号运算符和神经采样器。我们的主要贡献是学习参数化的政策,结合运营商和采样器的方法。这些组件被打包成模块化的神经符号技能,并与搜索然后采样的TAMP一起排序,以解决新的任务。在四个机器人领域的实验中,我们证明了我们的方法-神经符号技能的双层规划-可以解决各种不同初始状态,目标和对象的任务,优于六个基线和消融。视频:https://youtu.be/PbFZP8rPuGg代码:https://tinyurl.com/skill-learning
2022-10-12 cs.AI cs.LG cs.RO
Learning from Less: Guiding Deep Reinforcement Learning with Differentiable Symbolic Planning
Computer Science Department, TU Darmstadt(图林大学达姆施塔特分校计算机科学系);Hessian Center for Artificial Intelligence (hessian.AI)(黑森人工智能中心);Centre for Cognitive Science, TU Darmstadt(图林大学达姆施塔特分校认知科学中心);German Research Center for Artificial Intelligence (DFKI)(德国人工智能研究中心)
本文提出 Dylan 框架,将可微符号规划作为奖励模型和高层规划器融入强化学习,以人类先验引导子任务探索并避免执行循环,从而提升性能与未见任务泛化能力。
2025-05-16 cs.AI
NeSIG: A Neuro-Symbolic Method for Learning to Generate Planning Problems
University of Granada(格拉纳达大学);Andalusian Institute of Data Science and Computational Intelligence (DaSCI)(安达卢西亚数据科学与计算智能研究所(DaSCI))
本文提出 NeSIG,一种领域无关的神经符号方法,通过将规划问题生成建模为 MDP 并用深度强化学习训练策略,自动生成有效、多样且高难度的规划问题。
2024-07-16 cs.AI
Integrating Symbolic RL Planning into a BDI-based Autonomous UAV Framework: System Integration and SIL Validation
本研究提出AMAD-SRL框架,整合符号RL与BDI方法,通过SIL验证提升无人机任务效率75%。
2026-01-11 cs.AI cs.RO
Neuro-Symbolic Learning for Long-Horizon Task Planning Under Complex Logical Constraints
Spatial AI & Robotics (SAIR) Lab, University at Buffalo, NY 14260(空间人工智能与机器人实验室,布法罗大学,纽约州,14260);Robotics Institute, Carnegie Mellon University, PA 15213(机器人研究所,卡内基梅隆大学,宾夕法尼亚州,15213)
提出基于命令学习的双层优化框架,通过神经评分器剪枝无关对象,并引入3R策略(修复、重启、回滚)稳定下层规划,在三个基准上实现失败率降低80.04%、规划时间减少57.14%。
2026-06-05 cs.AI cs.RO
Neuro-Symbolic Procedural Planning with Commonsense Prompting
University of California, Santa Barbara(加州大学圣巴巴拉分校);University of California, Santa Cruz(加州大学圣克鲁兹分校)
程序计划旨在通过分解成顺序的简单低级别步骤来实现复杂的高级别目标。尽管过程规划是人类日常生活中的一项基本技能,但对于缺乏对过程中因果关系的深刻理解的大语言模型(LLM)来说,它仍然是一个挑战。先前的方法需要手动样本来从zero-shot设置中的LLM获取程序规划知识。然而,LLM中的这种引发的预训练知识会导致目标和步骤之间的虚假相关性,从而损害模型对看不见的任务的泛化。相比之下,本文提出了一种神经符号程序规划器(ESTA),从常识注入提示LLM的程序规划知识。为了减轻虚假的目标步骤的相关性,我们使用符号程序执行器的潜在的程序表示形式化提示从常识知识库的因果干预结构因果模型。WikiHow和RobotHow上的自动和人工评估都显示了在没有进一步培训或手动范例的情况下,机器人程序规划的优越性。
2023-02-16 cs.AI cs.CL cs.LG
BioProAgent: Neuro-Symbolic Grounding for Constrained Scientific Planning
School of AI for Science, Peking University(科学人工智能学院,北京大学);School of Electronic and Computer Engineering, Peking University(电子与计算机工程学院,北京大学);School of Computer Science, Peking University(计算机科学学院,北京大学)
BioProAgent通过神经符号框架将概率规划锚定在确定性有限状态机中,解决复杂设备模式中的上下文瓶颈,提升物理执行的可靠性。
2026-05-16 cs.AI cs.MA
On the Prospects of Incorporating Large Language Models (LLMs) in Automated Planning and Scheduling (APS)
University of South Carolina(南卡罗来纳大学);New Mexico State University(新墨西哥州立大学);University of Brescia(布雷西亚大学);IBM Research(IBM研究院)
本文综述126篇论文,将LLM在自动规划与调度中的应用归纳为八类,指出其与传统符号规划器结合的神经符号方向最具潜力。
2024-01-20 cs.AI
Learning Symbolic Operators for Task and Motion Planning
MIT(麻省理工学院)
混合状态和动作空间中的机器人规划问题可以通过集成任务和运动规划器(TAMP)来解决,该规划器处理运动级决策和任务级计划可行性之间的复杂交互。TAMP方法依赖于特定于域的符号运算符来指导任务级搜索,从而使规划高效。在这项工作中,我们形式化和研究的TAMP算子学习的问题。这项研究的核心是认为运营商定义了一个域的过渡模型的有损抽象。然后,我们提出了一个自下而上的关系学习方法的运营商学习,并显示如何学习运营商可以用于规划在TAMP系统。在实验中,我们提供了三个领域的结果,包括长期的机器人规划任务。我们发现我们的方法大大优于几个基线,包括最近文献中的三个基于图神经网络的无模型方法。视频:https://youtu.be/iVfpX9BpBRo代码:https://git.io/JCT0g
2021-07-15 cs.AI cs.LG cs.RO
Planning from Pixels in Atari with Learned Symbolic Representations
Technical University of Denmark(丹麦技术大学)
基于宽度的规划方法已被证明在Atari 2600域中使用像素输入产生最先进的性能。RolloutIW是一种成功的方法,它用B-PROST布尔特性集表示状态。RolloutIW的增强版本$π$ -IW表明,对于基于宽度的搜索,学习的特性可以与手工制作的特性相竞争。在本文中,我们利用变分自编码器(VAE)直接从像素中学习功能的原则性方式,没有监督。经过训练的VAE的推理模型从像素中提取布尔特征,RolloutIW使用这些特征进行规划。由此产生的组合优于原来的RolloutIW和雅达利2600上的人类专业游戏,并大大减少了功能集的大小。
2021-03-15 cs.AI cs.LG
DUPLEX: Agentic Dual-System Planning via LLM-Driven Information Extraction
Midea Corporate Research Center(美的集团研发中心);Midea Group(美的集团);Northeastern University(东北大学);Engineering Department(工程部)
DUPLEX通过限制LLM进行结构化语义 grounding,结合符号规划器实现可靠规划,优于现有端到端和混合LLM基线。
2026-03-25 cs.AI
Graph Learning for Numeric Planning
LAAS-CNRS(法国国家科学研究中心LAAS实验室);University of Toulouse(图卢兹大学);The Australian National University(澳大利亚国立大学)
本文提出面向数值规划的新型图核与启发式学习优化方法,实验表明其比图神经网络更高效、泛化更好,并可媲美领域无关规划器。
2025-01-07 cs.AI
Creativity of AI: Hierarchical Planning Model Learning for Facilitating Deep Reinforcement Learning
Sun Yat-sen University(中山大学);Huawei Noah’s Ark Lab(华为诺亚方舟实验室)
本文提出一种结合符号选项与分层规划模型的深度强化学习框架,通过循环训练自动学习规划模型以提升数据效率、可解释性与可迁移性,并在两个领域验证了其有效性。
2023-07-07 cs.AI cs.LG
Planning with affordances: Integrating learned affordance models and symbolic planning
Oregon State University(俄勒冈州立大学)
本文提出将学习到的物体可供性模型与符号规划相结合,使智能体在AI2-Thor等环境中无需重新定义动作集合即可规划并执行多步骤操作任务。
2025-02-04 cs.AI cs.RO
PDDLStream: Integrating Symbolic Planners and Blackbox Samplers via Optimistic Adaptive Planning
Computer Science and Artificial Intelligence Laboratory(计算机科学与人工智能实验室);Massachusetts Institute of Technology(麻省理工学院)
许多规划应用程序涉及定义在高维连续变量上的复杂关系。例如,机器人操作需要规划涉及机器人配置、对象姿态和机器人轨迹的运动学、碰撞、可见性和运动约束。这些约束通常需要专门的过程来采样满足值。我们扩展PDDL,以支持这些过程的通用,声明性规范,将其实现视为黑盒。我们提供域独立的算法,减少PDDLStream问题的一系列有限的PDDL问题。我们还介绍了一个算法,动态平衡探索新的候选计划和利用现有的。这使得算法能够在参数绑定的空间中进行全局搜索,以更快地解决严格约束的问题,并进行局部优化以产生低成本的解决方案。我们评估我们的算法在三个模拟机器人规划域以及几个现实世界的机器人任务。
2020-03-23 cs.AI cs.RO
From Next Token Prediction to (STRIPS) World Models
RWTH Aachen University, Germany(亚琛工业大学,德国);Universitat Pompeu Fabra, Spain(庞培法华大学,西班牙)
研究下一个词预测能否产生支持规划的世界模型,提出STRIPS Transformer和标准Transformer两种架构,在五个经典规划领域评估训练准确率、泛化能力和规划性能。
2026-05-25 cs.AI
Learning Bilevel Policies over Symbolic World Models for Long-Horizon Planning
Vector Institute(向量研究所);University of Toronto(多伦多大学);LAAS-CNRS(Laas--cnrs);University of Toulouse(图卢兹大学);RWTH Aachen University(亚琛工业大学)
本文提出了一种结合低层模仿学习和高层符号抽象的双层策略,用于解决长周期规划问题,通过BISON系统在扩展的MetaWorld基准上验证了其在处理大量物体和长周期任务上的优越性。
2026-05-18 cs.AI cs.RO
Hierarchical Planning for Complex Tasks with Knowledge Graph-RAG and Symbolic Verification
University of Padova(帕多瓦大学);University of Cambridge(剑桥大学)
本文提出一种神经符号方法,将知识图谱RAG、分层规划与符号验证器集成到LLMs规划器中,以提升复杂长时程机器人任务的规划可靠性,并通过实验验证其优势。
2025-04-06 cs.AI cs.LG cs.RO
Learning Visual Spatial Planning from Symbolic State via Modality-Gap-Aware Self-Distillation
Tsinghua University(清华大学);The Hong Kong University of Science and Technology(香港科技大学)
提出MGSD两阶段框架,通过冷启动接地和特权教师蒸馏弥合视觉与符号规划之间的模态差距,在视觉规划基准上显著提升性能。
2026-08-10 cs.AI cs.CV
Differentiable Symbolic Planning: A Neural Architecture for Constraint Reasoning with Learned Feasibility
Sithara Inc.(Sithara公司)
本文提出可微符号规划(DSP),通过神经架构实现离散符号推理并保持全可微性,结合通用认知内核(UCK)在约束推理基准中取得高准确率。
2026-02-19 cs.AI cs.LG
Towards Reliable Code-as-Policies: A Neuro-Symbolic Framework for Embodied Task Planning
Sungkyunkwan University(成均馆大学)
提出神经符号框架,在代码生成中集成符号验证与交互验证,提升动态部分可观测环境下的具身任务规划可靠性,成功率较基线提高46.2%。
2025-10-24 cs.AI cs.RO
DiSProD: Differentiable Symbolic Propagation of Distributions for Planning
Indiana University(印第安纳大学)
本文提出在线规划器 DiSProD,通过构建可微符号图捕获未来轨迹分布,实现高效的基于梯度的长时域搜索,在随机环境、稀疏奖励和大动作空间等任务上优于现有规划器。
2023-08-04 cs.AI cs.RO
Interleaving Scheduling and Motion Planning with Incremental Learning of Symbolic Space-Time Motion Abstractions
本文提出一种交织调度与运动规划的增量学习框架,用于多物体共享空间的调度与运动规划,通过符号时空运动抽象提升复杂时空约束下的执行效率。
2026-03-19 cs.AI cs.RO
Agentic Planning for Symbolic Execution
Carnegie Mellon University(卡内基梅隆大学)
该研究提出智能体规划系统Agolic,利用早期符号执行运行的证据配置后续有界符号执行,在C/C++程序上平均覆盖3倍以上分支,覆盖更多分支及对比语料库未覆盖的分支,扩展了符号执行的实际覆盖范围。
2026-08-10 cs.AI cs.PL cs.SE
MINT: Minimal Information Neuro-Symbolic Tree for Objective-Driven Knowledge-Gap Reasoning and Active Elicitation
Department of Electrical and Computer Engineering, George Washington University(乔治华盛顿大学电气与计算机工程系);Department of Electrical and Computer Engineering, Northeastern University(东北大学电气与计算机工程系)
本文提出MINT用于解决AI代理在目标驱动规划中主动提取人类输入的问题,通过神经符号树和自博弈优化策略,提升规划性能。
2026-05-01 cs.AI cs.HC