Reasoning and Planning with Sensing Actions, Incomplete Information, and Static Causal Laws using Answer Set Programming
我们在[Son and Baral 2000]中将感知行为和不完全信息的0-近似扩展到具有静态因果律的行为理论,并证明了它在可能世界语义上的可靠性。我们还表明,关于这个近似的条件规划问题是NP完全的。然后,我们提出了一个答案集编程为基础的条件规划,称为ASCP,这是能够产生符合计划和条件计划中存在的传感行动,不完整的信息的初始状态,和静态因果关系的法律。我们证明了我们的实现的正确性,并认为我们的计划是健全的和完整的建议的近似。最后,我们提出的实验结果比较ASCP到其他规划。
2006-05-04 cs.AI
Qsmodels: ASP Planning in Interactive Gaming Environment
Università degli studi di Milano(米兰大学);Università degli studi di Messina(墨西拿大学)
Qmodels是一个新的应用答案集编程的互动游戏环境。我们描述了一个软件架构,通过它,一个机器人在雷神之锤3竞技场内的行为可以由一个计划者控制。规划器被编写为答案集程序,并由Smodels求解器解释。
2015-05-27 cs.AI
Extending planning knowledge using ontologies for goal opportunities
Universitat Politècnica de València(瓦伦西亚理工大学)
以目标为导向的行为方法包括在线规划和机会主义规划,通过生成替代目标来避免失败或抓住机会,从而应对环境的变化。然而,当前的方法仅解决与正在解决的规划任务中已经定义的对象或对象类型相关的未预期的变化。本文描述了一种独立于领域的方法,通过扩展具有新类型的相关对象的规划任务的知识来推进最新技术。该方法利用本体,语义措施,本体对齐,以适应新获得的数据,触发制定目标的机会,诱导一个更好的价值计划。
2019-04-07 cs.AI
CLMASP: Coupling Large Language Models with Answer Set Programming for Robotic Task Planning
University of Science and Technology of China(中国科学技术大学);Institute of Artificial Intelligence, Hefei Comprehensive National Science Center(合肥综合性国家科学中心人工智能研究院)
本文提出CLMASP方法,结合大语言模型和答案集编程,解决机器人任务规划中计划落地问题,实验显示其执行率显著提升。
2026-06-28 cs.AI
Optimizations for Decision Making and Planning in Description Logic Dynamic Knowledge Bases
IMT Institute for Advanced Studies(IMT高等研究院)
以工件为中心的业务流程模型最近引起了很多关注,因为它们以无缝的方式将结构(即数据相关)与动态(即流程相关)方面结合起来。然而,在这种方法下开发的许多框架并不是明确为规划而建立的,而规划是与业务流程有关的最重要的业务之一。在本文中,我们试图克服这一点,提出了一个框架,名为动态知识库,旨在通过描述逻辑为基础的本体描述丰富的业务领域,并在一组动作允许系统通过修改这样的本体发展。这个框架,通过提供行动重写和知识偏化,代表了一个可行的和正式的环境,以开发决策和规划技术,基于DL的工件为中心的业务领域。
2015-05-04 cs.AI
A Planning Ontology to Represent and Exploit Planning Knowledge for Performance Efficiency
University of South Carolina(南卡罗来纳大学);IIIT-Delhi(德里印度信息技术学院)
本文利用IPC数据构建规划本体,以语义化组织规划器与领域知识,并通过宏等机制支持规划器选择和性能提升。
2024-07-08 cs.AI
Backwards State-space Reduction for Planning in Dynamic Knowledge Bases
IMT Institute for Advanced Studies(IMT高等研究院)
在本文中,我们解决的问题,规划在丰富的领域,其中知识表示是管理的复杂性和规模的规划域的一个关键方面。我们遵循的方法描述逻辑(DL)为基础的动态知识库,其中一个国家的世界是简洁地表示由一个(可能会改变)ABox和一个(固定)TBox包含的公理,和行动,允许改变的ABox的内容。计划目标是根据DL查询的满意度给出的。在本文中,我们从传统的前向规划算法,我们提出了一个更有效的变种结合向后和向前搜索。特别是,我们提出了一个向后状态空间减少技术,包括两个阶段:首先,一个抽象的规划图P创建通过使用抽象向后规划算法(ABP),然后抽象规划图P实例化到相应的规划图P通过使用正向计划实例化算法(FPI)。这样做的好处是,在初步的ABP阶段,我们产生了一个象征性的计划,这是一个模式,以指导具体计划的搜索。这可以被看作是一种知情搜索,其中初步反向阶段对于发现可以用于指导后续正向阶段的状态空间的属性是有用的。我们评估我们的ABP+FPI算法在减少探索规划域的有效性,将其与标准的前瞻性规划算法进行比较,并将它们应用到一个具体的商业案例研究。
2014-07-30 cs.AI
Bridging Tool Dependencies and Domain Knowledge: A Graph-Based Framework for In-Context Planning
Amazon(亚马逊)
本研究提出一种基于图的上下文规划框架,通过融合从工具模式构建的工具知识图谱与从内部文档、SOP提取的领域知识图谱,采用深度稀疏整合策略生成示例规划,有效提升了工具增强推理与规划的效果。
2025-10-28 cs.AI
A context-aware knowledge acquisition for planning applications using ontologies
Universitat Politècnica de València(瓦伦西亚理工大学)
自动规划技术得到了长足的发展。设计一个规划模型,使自动代理能够在真实的执行环境中智能地对意外事件做出反应,仍然是一个挑战。本文描述了一种域独立的方法,允许代理对其执行环境和任务进行上下文感知,获取保证相关且更重要的是可管理的新信息,并通过使用本体和语义操作将这些信息集成到其模型中,以自主地制定新目标,从而导致在机会的背景下处理意外事件的更像人类的行为。
2019-04-19 cs.AI
Long-term Power Grid Planning via Answer Set Programming
University of Calabria, Italy(意大利卡拉布里亚大学);University of Huddersfield, UK(英国赫德瑟菲尔德大学)
本文提出了一种基于答案集编程的自动化和优化长期电力网络规划方法,以解决可持续性目标、需求模式和城市化趋势等复杂问题。
2026-05-19 cs.AI cs.LO
Planning with Preferences using Logic Programming
我们提出了一个声明性的语言,PP,规划问题的可能的解决方案(或轨迹)之间的偏好的高层次规范。这种新颖的语言允许用户优雅地表达非平凡的、多维的偏好和优先于这些偏好的优先级。PP的语义允许识别给定目标的最优选轨迹。我们还提供了一个答案集编程实现规划问题与PP的喜好。
2005-08-31 cs.AI
Schema-Aware Planning and Hybrid Knowledge Toolset for Reliable Knowledge Graph Triple Verification
Harbin Institute of Technology(哈尔滨工业大学);Huawei Technologies Co., Ltd.(华为技术有限公司);Bay Area International Business School, Beijing Normal University(北京师范大学湾区国际商学院)
本文提出SHARP,一种无需训练的自主代理,通过动态策略规划、主动调查和证据推理改进知识图谱三元组验证的稳定性与解释性,实验证明其在FB15K-237和Wikidata5M-Ind上准确率提升显著。
2026-10-20 cs.AI
Human Robot Collaborative Assembly Planning: An Answer Set Programming Approach
Faculty of Engineering and Natural Sciences, Sabancı University, Istanbul, Turkey(工程与自然科学学院,萨班奇大学,伊斯坦布尔,土耳其)
本文提出一种基于答案集编程的协作装配规划方法,结合常识推理和丰富的沟通动作,用于处理不确定性和确保安全协作。
2020-08-08 cs.AI cs.LO cs.RO
A Logic Programming Approach to Knowledge-State Planning: Semantics and Complexity
我们提出了一种新的声明式规划语言,称为K,这是基于逻辑编程的原则和方法。在这种语言中,可以描述知识状态之间的转换,而不是完全描述的世界状态之间的转换,这使得语言非常适合在不完整的知识下进行规划。此外,它使默认原则在规划过程中的使用,支持否定失败。尽管如此,K还支持世界状态之间的转换的表示(即,完全知识的状态)作为特例,这表明语言是非常灵活的。正如我们在特定示例中所展示的,知识状态的使用可以允许自然和紧凑的问题表示。然后,我们提供了一个彻底的分析K的计算复杂性,并考虑不同的规划问题,包括标准规划和安全规划(也称为一致性规划)的问题。我们表明,这些问题有不同的复杂性下的各种限制,从NP到NEXPTIME的命题的情况下。我们的结果形成了DLV^K系统的理论基础,该系统在DLV逻辑编程系统之上实现了K语言。
2001-12-05 cs.AI cs.LO
A Knowledge Graph for Assessing Aggressive Tax Planning Strategies
University of Mannheim(曼海姆大学);Leibniz Centre for European Economic Research(莱布尼茨欧洲经济研究中心)
跨国公司的税收是一个复杂的领域,因为它受到几个国家立法的影响。不同州的法律可能会产生不可预见的相互作用效应,可以通过允许跨国公司最大限度地减少税收来利用这一效应,这一概念被称为税收规划。在本文中,我们提出了一个知识图谱的跨国公司和他们的关系,包括近150万个商业实体。我们发现,通常已知的税收筹划策略可以制定为子图查询该图,它允许使用某些策略来识别公司。此外,我们证明,我们可以识别异常的图形暗示潜在的税务规划策略,我们展示了如何提高这些分析,结合使用联合查询维基数据的信息。
2020-10-16 cs.AI cs.DB
Planning and Scheduling in Digital Health with Answer Set Programming
University of Genoa(热那亚大学)
在医院的世界里,有几个复杂的组合问题,解决这些问题对于提高病人的满意度和提供的护理质量是很重要的。医疗保健中的问题是复杂的,因为要解决这些问题,应考虑到几个限制因素和不同类型的资源。此外,解决方案必须在很短的时间内进行评估,以确保在实际场景中的可用性。我们计划提出这些问题的解决方案,既扩大已经测试的解决方案,并通过建模解决新的问题,考虑到文献和使用真实的数据时,可用。解决这类问题很重要,但由于欧盟委员会制定了《通用数据保护条例》,规定每个人都有权要求解释人工智能做出的决定,如果不开发解释性方法,基于人工智能的解决方案(例如基于答案集编程的解决方案)的使用将受到限制。因此,研究的另一部分将致力于研究和提出新的方法来解释所获得的解决方案。
2022-08-05 cs.AI cs.LO
Knowledge Integration Strategies in Autonomous Vehicle Prediction and Planning: A Comprehensive Survey
Freie Universität Berlin(柏林自由大学);Continental Automotive Technologies GmbH(大陆汽车技术有限公司);Fraunhofer FOKUS Berlin(弗劳恩霍夫研究所柏林)
本综述系统梳理自动驾驶轨迹预测与规划中的知识集成方法,分类分析符号到神经符号架构,并指出可解释AI、形式化验证及混合方法等未来趋势。
2025-05-22 cs.AI cs.LG
Efficient Open World Reasoning for Planning
我们考虑的问题,推理和规划与不完全的知识和确定性的行动。我们引入了一个知识表示计划,称为PSIestimate,可以有效地表示代理的知识的不完整性,同时允许在域中的所有对象的集合是未知的或无限的声音,完整的和易处理的蕴涵。我们提出了一个程序的状态更新所产生的PSIwind采取行动是正确的,完整的,只有多项式的复杂性。在不考虑知识状态对应的所有可能世界的集合的情况下执行状态更新。因此,使用PSIconstant进行规划时无需直接操作可能世界。PSIPOP表示是PSIPOP规划算法的基础,PSIPOP规划算法处理量化的目标,有或没有例外,没有其他领域独立的规划器已被证明可以实现。PSIstrike已在Common Lisp中实现,并用于协作界面中的规划应用程序中。
2006-09-26 cs.AI cs.LO
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
A Categorical Representation Language and Computational System for Knowledge-Based Planning
University of Maryland(马里兰大学);Johns Hopkins University Applied Physics Laboratory(约翰斯·霍普金斯大学应用物理实验室);Topos Institute(拓扑斯研究所);University of Florida(佛罗里达大学)
本文提出一种基于范畴论($\mathsf{C}$-集合和双推重写)的规划表示语言,以处理隐式世界变化,相比经典一阶逻辑表示在处理隐式前提和效果上更具优势,并为知识图谱和关系数据库建模规划提供形式语义。
2023-11-14 cs.AI cs.LO math.CT
Hybrid Conditional Planning using Answer Set Programming
Sabanci University(萨班哲大学)
我们介绍了一种并行离线算法计算混合条件计划,称为HCP-ASP,面向机器人应用。HCP-ASP依赖于建模的驱动动作和感应动作在一个富有表现力的非单调语言的答案集编程(ASP),和计算的分支的条件计划并行使用ASP求解器。特别是,由于外部原子,连续的可行性检查(如碰撞检查)被嵌入到ASP中的驱动动作和传感动作的正式表示中;因此,混合条件计划的每个分支描述了一个可行的动作执行,以达到其目标。利用非单调的结构和非确定性的选择,部分知识的状态和非确定性的影响感测行动可以明确形式化的ASP,因此,每个分支的条件计划可以计算的ASP求解器,而不需要一致的计划和排序的感测行动提前。我们应用我们的方法在服务机器人领域和报告的实验评估。此外,我们提出的性能比较与其他编译为基础的条件规划标准化的基准域。本文件正在考虑被TPLP接受。
2017-07-19 cs.AI cs.LO 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
Learning to Answer Ambiguous Questions with Knowledge Graph
Peking University(北京大学)
在基于知识库的类事实问答任务中,许多问题有不止一种合理的解释。以前的SimpleQuestions作品假设每个问题只有一种解释作为基础事实,因此它们缺乏正确回答模糊问题的能力。在本文中,我们提出了一种新的方法来利用数据集,考虑到存在歧义的问题。在此基础上,提出了一种简单有效的局部知识子图与注意力机制相结合的模型。我们的实验结果表明,我们的方法在这项任务中取得了出色的性能。
2019-12-25 cs.AI cs.CL
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
KGLAMP: Knowledge Graph-guided Language model for Adaptive Multi-robot Planning and Replanning
Honda Research Institute, USA(本田研究院);University of Maryland, College Park(马里兰大学)
KGLAMP通过知识图谱引导LLM实现异构多机器人系统的自适应规划与再规划,提升动态环境下的规划效率和准确性。
2026-02-04 cs.AI cs.ET cs.MA
World Value Functions: Knowledge Representation for Learning and Planning
University of the Witwatersrand(威特沃特斯兰德大学)
我们提出了世界价值函数(WVF),一种面向目标的一般价值函数,它代表了如何解决不仅是一个给定的任务,但任何其他目标达成任务的代理环境。这是通过为智能体配备一个内部目标空间来实现的,该目标空间定义为它经历终端过渡的所有世界状态。然后,智能体可以修改标准任务奖励来定义自己的奖励函数,这可以证明驱动它学习如何实现所有可达到的内部目标,以及在当前任务中这样做的价值。我们展示了WVF在学习和规划方面的两个主要好处。特别是,给定一个学习的WVF,代理可以通过简单地估计任务的奖励函数来计算新任务中的最优策略。此外,我们表明,WVF也隐式编码的环境的过渡动态,因此可以用来执行规划。实验结果表明,WVF可以比常规价值函数更快地学习,而它们推断环境动态的能力可以用于集成学习和规划方法,以进一步提高样本效率。
2022-06-23 cs.AI cs.LG
Mixed Logical and Probabilistic Reasoning for Planning and Explanation Generation in Robotics
The University of Auckland(奥克兰大学)
机器人在复杂的领域中帮助人类,必须在感觉运动水平和社会水平上代表知识和理性。本文所描述的架构耦合的非单调逻辑推理能力的声明性语言与概率信念修订,使机器人表示和推理的定性和定量的描述知识和程度的信念。具体来说,不完整的领域知识,包括在所有,但少数例外情况下,持有的信息,表示为一个答案集Prolog(ASP)程序。通过求解该程序获得的答案集用于推理、规划和联合解释(a)由于外源动作引起的意外动作结果和(b)从传感器输入提取的部分场景描述。对于任何给定的任务,答案集中包含的计划中的每个动作都是按概率执行的。自动识别与动作相关的域的子集,并且从传感器输入中提取的观测对在该域子集上定义的置信分布执行增量贝叶斯更新,其中高度可能的置信被提交给ASP程序。该体系结构的能力,说明在模拟和移动机器人的上下文中的机器人服务员在餐厅的餐厅。
2015-08-01 cs.AI cs.LO cs.RO
Cost-Optimal Algorithms for Planning with Procedural Control Knowledge
Knexus Research Corporation(Knexus研究公司);MITRE(MITRE公司);Naval Research Laboratory(海军研究实验室)
有一个令人印象深刻的机构的工作,发展规划和其他推理算法,以指导搜索最佳和任何时候的规划算法的经典规划。然而,很少的努力已被导向开发类似的技术,以引导搜索到高质量的解决方案,如HTN规划的层次规划形式主义,它允许使用额外的特定领域的程序控制知识。代替这种技术,这种控制知识通常需要为规划算法提供必要的搜索指导,这给领域作者带来了很大的负担,并且可能产生脆弱或容易出错的领域模型。我们通过扩展最近的工作,一个新的分层目标为基础的规划形式主义,称为分层目标网络(HGN)规划开发的分层最优目标分解规划(HOpGDP),HGN规划算法,计算分层最优的计划,来解决这个差距。HOpGDP由$h_{HL}$指导,$h_{HL}$是一种新的HGN规划启发式算法,它扩展了现有的基于可容许地标的启发式算法,从经典规划中计算HGN规划问题的可容许成本估计。我们在三个基准规划领域的实验评估表明,HOPGDP相比,由于其能够使用特定领域的程序知识,和盲目搜索版本的HOPGDP由于$h_{HL}$提供的搜索指导的最佳经典规划。
2016-07-07 cs.AI
SayCanPay: Heuristic Planning with Large Language Models using Learnable Domain Knowledge
KU Leuven(鲁汶大学)
提出SayCanPay方法,结合大语言模型的世界知识与启发式搜索,利用可学习领域知识评估动作可行性与长期回报,生成可行且具成本效益的规划,超越现有LLM规划方法。
2024-01-01 cs.AI
Generalized Planning With Procedural Domain Control Knowledge
Universitat Pompeu Fabra(庞培法布拉大学)
广义规划的任务是生成一个单一的解决方案,是有效的一组规划问题。在本文中,我们展示了如何表示和计算广义计划使用程序域控制知识(DCK)。我们定义了一个{ \it分而治之}的方法,首先产生的程序DCK解决一组规划问题的代表某些子任务,然后将其编译为可调用的程序的整体广义规划问题。我们的过程调用机制允许嵌套和递归的过程调用,并在PDDL中实现,使经典的规划者可以计算和利用过程DCK。实验表明,现成的经典规划器,使用过程DCK作为可调用的过程,可以计算广义计划在广泛的领域,包括非平凡的,如排序可变大小的列表或DFS遍历二叉树的可变大小。
2019-10-11 cs.AI
Where Common Knowledge Cannot Be Formed, Common Belief Can -- Planning with Multi-Agent Belief Using Group Justified Perspectives
The University of Melbourne(墨尔本大学);The University of Queensland(昆士兰大学)
本文提出群体合理视角(GJP)模型,扩展JP模型以处理分布式和共同信念,通过改编基准实验证明其在处理其他工具无法解决的规划问题上的高效性与表达能力。
2025-10-17 cs.AI
Online Learning and Planning in Partially Observable Domains without Prior Knowledge
Xiamen University(厦门大学)
智能体如何在随机的、部分可观测的领域中最优地行动是一个具有挑战性的问题,解决这个问题的标准方法是首先学习领域模型,然后基于学习到的模型找到(近)最优策略。然而,离线学习模型通常需要存储整个训练数据,并且不能利用规划阶段生成的数据。此外,目前的研究通常假设学习的模型是准确的,或者预先假定对世界上不可观察部分的性质的了解。本文针对离散系统,利用预测状态表示(PSRs)的优点,提出了一种基于模型的规划方法,该方法的学习和规划阶段都可以在线执行,并且不需要底层系统的先验知识。实验结果表明,与最先进的方法相比,我们的算法实现了高水平的性能,没有提供先验知识,以及PSRs的理论优势。源代码可在https://github.com/DMU-XMU/PSR-MCTS-Online上获得。
2019-06-11 cs.AI
Computing the Scope of Applicability for Acquired Task Knowledge in Experience-Based Planning Domains
The University of Aveiro(阿威罗大学);The University of Texas at Austin(得克萨斯大学奥斯汀分校)
基于经验的规划域已经被提出来通过从经验中学习来改进问题解决。他们依赖于获取和使用任务知识,即,活动模式,用于为一类任务中的问题实例生成解决方案。使用三值逻辑分析(TVLA),我们扩展以前的工作,产生一组条件,确定活动模式的适用范围。推断的范围是一组潜在无限大小的问题的有界表示,以3值逻辑结构的形式,用于自动找到解决任务问题的适用活动模式。我们验证这项工作在两个经典的规划域。
2019-03-13 cs.AI
Deep Learning for Generalised Planning with Background Knowledge
LAAS-CNRS(法国国家科学研究中心实验室分析与建筑系统实验室);University of Toulouse(图卢兹大学);The Australian National University(澳大利亚国立大学);Czech Technical University in Prague(布拉格捷克理工大学)
提出一种结合背景知识的深度学习方法,通过Datalog规则引导学习与规划过程,从小规模数据中高效学习并生成高质量规划方案。
2024-10-10 cs.AI
Data-driven Blockbuster Planning on Online Movie Knowledge Library
University of Illinois at Chicago(伊利诺伊大学芝加哥分校);Florida State University(佛罗里达州立大学);Tsinghua University(清华大学)
在大数据时代,物流规划可以由数据驱动,以利用过去积累的知识。而在电影行业中,电影策划也可以利用现有的在线电影知识库来达到更好的效果。然而,由于大量的现有电影和促成每部电影的成功的各种现实世界因素,诸如电影类型、可用预算、制作团队,仅仅依靠传统的电影规划是无效的。(涉及演员、女演员、导演、编剧)等。本文中,我们研究“大片计划”(BlockbusterPlanning,BP)问题,以从以前的电影中学习,并以完全数据驱动的方式计划低预算但高回报的新电影。在深入研究了一个在线电影知识库的基础上,提出了一个新的电影规划框架“最大化电影配置熟悉度的大片规划”(BigMovie)。从投资的角度来看,BigMovie在给定预算的情况下最大化计划电影的估计总收入。它能够以0.26的平均绝对百分比误差(和0.16的预算)准确地估计电影总收入。同时,从制作团队的角度来看,BigMovie能够用团队成员熟悉的人/电影类型来组建优化的团队。历史协作记录被用来通过熟人张量来估计电影配置因素的熟人得分。我们制定的BP问题作为一个非线性二元规划问题,并证明其NP-困难。为了在多项式时间内解决它,BigMovie放松了硬二进制约束,并将BP问题作为三次规划问题来解决。在IMDB电影数据库上进行的大量实验表明,BigMovie能够有效地进行数据驱动的大片规划。
2018-10-24 cs.AI
Efficient Multi-Hop Question Answering over Knowledge Graphs via LLM Planning and Embedding-Guided Search
Department of Computer Science, Drexel University, Philadelphia, PA, USA(计算机科学系,德雷塞尔大学,费城,宾夕法尼亚州,美国)
本文提出两种混合算法,通过LLM规划和嵌入引导搜索实现高效且可验证的多跳知识图谱问答,提升推理效率与准确性。
2025-11-24 cs.AI cs.CL
Understanding the Capabilities of Large Language Models for Automated Planning
University of South Carolina(南卡罗来纳大学);IBM T.J. Watson Research Center(IBM托马斯·J·沃森研究中心);University of Udine(乌迪内大学);University of Brescia(布雷西亚大学)
本文通过四个关键问题系统评估大型语言模型在自动规划中的能力,比较预训练数据、微调与提示方法,并考察计划泛化能力,为LLMs在复杂规划问题中的应用提供方法指导。
2023-05-25 cs.AI
An LLM-Based Assistance System for Intuitive and Flexible Capability-Based Planning
提出一种混合辅助系统,将基于能力的形式化SMT规划与LLM自然语言交互层结合,通过人机协同实现规划解释与知识模型自适应,提升工业自动化中能力规划的可访问性和灵活性。
2026-05-27 cs.AI
Learning Task Knowledge and its Scope of Applicability in Experience-Based Planning Domains
The University of Aveiro(阿威罗大学);The University of Texas at Austin(得克萨斯大学奥斯汀分校)
基于经验的规划域(EBPD)最近被提出来提高问题解决的经验学习。EBPD为机器人技术的长期学习和规划提供了重要的概念。他们依赖于获取和使用任务知识,即,活动模式,用于为一类任务中的问题实例生成具体的解决方案。使用三值逻辑分析(TVLA),我们扩展以前的工作,生成一组条件的活动模式的适用范围。推断的范围是一组潜在无限大小的问题的有界表示,以3值逻辑结构的形式,其允许EBPD系统自动找到用于解决任务问题的适用活动模式。我们证明了我们的方法在一组类的问题,在一个模拟的域和一类现实世界的任务,在一个完全物理模拟PR2机器人在凉亭的效用。
2019-03-05 cs.AI
Bridging Engineering and AI Planning through Model-Based Knowledge Transformation for the Validation of Automated Production System Variants
本文提出一种模型驱动方法,通过专用SysML profile和算法将规划语义集成到工程模型中并自动生成PDDL规划工件,实现自动化生产系统变体的AI规划验证。
2025-09-15 cs.AI
A Semantic Approach to Decidability in Epistemic Planning (Extended Version)
Free University of Bozen-Bolzano(博尔扎诺自由大学);University of Bologna(博洛尼亚大学)
本文提出一种基于语义的公理扩充方法,通过在 S5$_n$ 逻辑中引入知识交换性公理限制智能体无限推理,实现了认知规划问题的可判定性,并证明了多种现有系统的可判定性。
2023-07-28 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
A Joint Planning and Learning Framework for Human-Aided Decision-Making
Auburn University(奥本大学);NVIDIA Corporation(英伟达公司);Maana Inc.(Maana公司)
传统的强化学习(RL)允许智能体仅通过环境奖励来学习策略,具有长而慢的学习曲线,特别是在开始阶段。相反,人类的学习通常要快得多,因为利用了先验知识和一般知识以及多种信息资源。在本文中,我们提出了一个\textbf{P} lanner- \textbf{A} ctor- \textbf{C} ritic架构为hu \textbf{MAN}为中心的规划和学习(\textbf{PACMAN}),其中一个代理使用先验的,高层次的,确定性的符号知识计划目标导向的行动。PACMAN集成了RL的Actor-Critic算法,以微调其对环境奖励和人类反馈的行为。据我们所知,这是第一个统一的框架,其中基于知识的规划,强化学习和人类教学共同促进代理的策略学习。我们的实验表明,PACMAN导致一个显着的跳跃开始在学习的早期阶段,收敛速度快,方差小,是强大的不一致,罕见的,和误导性的反馈。
2019-12-24 cs.AI
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
Cloth Manipulation Planning on Basis of Mesh Representations with Incomplete Domain Knowledge and Voxel-to-Mesh Estimation
Shinshu University(信州大学)
我们考虑机器人布料操作的开放目标规划问题。我们的系统的核心是一个神经网络训练作为一个前向模型的布料行为下操纵,规划通过反向传播执行。我们引入了一个基于神经网络的例程,用于从体素输入估计网格表示,并在内部以网格格式执行规划。我们解决的问题,规划与不完整的领域知识,通过一个明确的认知不确定性信号。该信号是根据前向模型网络的两个实例之间的预测偏差计算的,并用于避免规划期间的认知不确定性。最后,我们介绍了逻辑处理限制的把握点的一组离散的候选人,以适应机器人硬件施加的可抓取性约束。我们评估系统的网格估计,预测和规划能力模拟布序列的一到三个操作。比较实验证实,估计网格的基础上的规划,提高精度相比,基于体素的规划,和认知不确定性的避免提高性能的条件下,不完整的领域知识。规划的时间成本是几秒钟。我们还提出了机器人硬件的定性结果。
2021-11-12 cs.AI cs.RO
Experience-based Refinement of Task Planning Knowledge in Autonomous Robots
School of Computing and Engineering, University of Huddersfield(哈德斯菲尔德大学计算与工程学院);School of Human and Health Sciences, University of Huddersfield(哈德斯菲尔德大学人类与健康科学学院)
本文提出利用机器人动作执行经验来细化任务规划领域知识,并在NAO机器人上验证,以提高任务计划成功率并随时间降低失败率。
2025-04-19 cs.AI cs.RO
DKPROMPT: Domain Knowledge Prompting Vision-Language Models for Open-World Planning
State Univeristy of New York at Binghamton(纽约州立大学宾汉姆顿分校);Ford Research(福特研究院)
本文提出DKPROMPT框架,利用PDDL领域知识自动化提示VLM,解决开放世界中机器人任务规划问题,在任务完成率上优于经典规划、纯VLM及竞争基线。
2024-06-25 cs.AI cs.RO
Integrating AI Planning with Natural Language Processing: A Combination of Explicit and Tacit Knowledge
Sun Yat-sen University(中山大学)
本文首次系统综述AI规划与自然语言处理的深层联系,提出二者通过基于规划的文本理解、NLP、可解释性、人机交互及应用五个方面相互促进,融合显性与隐性知识以改善人机通信。
2023-04-13 cs.AI cs.CL
LSDTs: LLM-Augmented Semantic Digital Twins for Adaptive Knowledge-Intensive Infrastructure Planning
Department of Civil & Environmental Engineering, University of Maryland, College Park(大学公园马里兰大学土木与环境工程系);Center for Urban Science and Progress, New York University(纽约大学城市科学与进步中心);Department of Computer Science, University of Alabama(阿拉巴马大学计算机科学系);School of Information, University of South Florida(佛罗里达州立大学信息学院)
本文提出LSDTs框架,利用大语言模型从非结构化文档中提取规划知识并构建形式本体,通过语义层提升数字孪生在复杂规划场景中的适应性与仿真精度。
2026-05-16 cs.AI cs.ET
Experience-based Knowledge Correction for Robust Planning in Minecraft
Department of Computer Science and Engineering, POSTECH(POSTECH计算机科学与工程系);Graduate School of Artificial Intelligence, POSTECH(POSTECH人工智能研究生院)
XENON通过经验修正知识,提升Minecraft中的鲁棒规划能力,优于现有方法。
2026-02-18 cs.AI cs.LG
Previous Knowledge Utilization In Online Anytime Belief Space Planning
Technion - Israel Institute of Technology(以色列理工学院)
针对连续空间在线规划中历史信息被丢弃的问题,提出一种基于MCTS的计算高效方法,通过重用历史规划数据,在保持高性能的同时显著减少计算时间,提升不确定环境下决策效率。
2024-12-21 cs.AI cs.RO
Robot Task Planning Based on Large Language Model Representing Knowledge with Directed Graph Structures
South China University of Technology(华南理工大学);University of Washington(华盛顿大学)
针对传统机器人任务规划在非结构化环境与复杂任务下的挑战,提出结合人类经验与LLM的任务规划方法,设计有向图知识表示的Think_Net_Prompt模板与任务树分解、规划解耦策略,在多任务上表现良好并指出待改进方向。
2023-06-08 cs.AI cs.RO
Distilling Reasoning Without Knowledge: A Framework for Reliable LLMs
本文提出一种模块化框架,通过显式分离规划与事实检索及回答合成,提升大语言模型在需要最新或冲突信息时的可靠性。
2026-03-15 cs.AI cs.CL cs.IR
From Cooking Recipes to Robot Task Trees -- Improving Planning Correctness and Task Efficiency by Leveraging LLMs with a Knowledge Network
University of South Florida(南佛罗里达大学)
本文提出利用LLM检索食谱并用微调GPT-3生成任务树,再通过任务树检索合并多输出为图以剔除可疑和高成本节点,从而提升机器人烹饪规划的正确性与执行效率。
2023-09-17 cs.AI cs.RO