The Computational Complexity of Probabilistic Planning
我们研究的计算复杂性的测试，并找到小计划在概率规划域与平面和命题表示。计划评估和存在的复杂性与寻求的计划类型不同，我们检查完全有序的计划，非循环计划，循环计划，计划价值的三个自然定义下的偏序计划。我们发现，感兴趣的问题是完整的各种复杂性类：PL，P，NP，co-NP，PP，NP^PP，co-NP^PP和PSPACE。在证明某些规划问题是NP^PP完全的过程中，我们引入了一个新的基本NP^PP完全问题，E-MAJSAT，它将标准的布尔可满足性问题推广到涉及概率量的计算;我们的研究结果表明，E-MAJSAT的良好算法的发展可能是非常重要的，为各种各样的问题创建有效的算法。
1998-08-01 cs.AI
Planning over Chain Causal Graphs for Variables with Domains of Size 5 Is NP-Hard
Universitat Pompeu Fabra（庞培法布拉大学）
最近，相当多的焦点已被给予的问题，确定之间的边界的听话和棘手的规划问题。本文研究了规划问题类C_n中规划问题的复杂性，其特征是一元算子和有向路径因果图。虽然这是一个规划问题的因果图的最简单的形式之一，我们表明，规划是棘手的C_n（除非P = NP），即使状态变量的域有界的大小。特别地，我们证明了C_n^k的计划存在性是NP-困难的，其中k>=5。这里，k表示状态变量域的大小的上限。我们的结果将类C_n^k的复杂度差距缩小到k=3和k=4的情况，因为已知C_n^2是易处理的。
2014-01-15 cs.AI cs.CC
Structure and Complexity in Planning with Unary Operators
Ben-Gurion University（本古里安大学）
一元算子域--即，在许多控制问题中，算子具有单一效果的域自然出现。在其最一般的形式中，一元算子域中的CNOPS规划问题与一般的CNOPS规划问题一样困难-两者都是PSPACE完备的。然而，一元算子域诱导了一个自然的结构，称为域的因果图。该图关系到每个域运算符的前提条件和效果。威廉姆斯和纳亚克利用因果图来分析NASA深空一号航天器中一个控制器的计划生成。在那里，他们利用了这样一个事实，即当这个图是非循环的时，可以快速获得任何子目标的序列化排序。在本文中，我们进行了全面的研究领域的因果图的结构和规划的复杂性之间的关系在这个领域。在积极的一面，我们表明，一个非平凡的多项式时间计划生成算法存在的域的因果图诱导一个多边形树，其节点入度上的一个常数。在消极的一面，我们甚至计划存在是困难的，当图是一个有向路径单连通DAG。更一般地说，我们表明，因果图中的路径的数量是密切相关的规划在相关联的域的复杂性。最后，我们将我们的研究结果与问题的复杂性规划序列化的子目标。
2011-06-26 cs.AI
A Complete Parameterized Complexity Analysis of Bounded Planning
Linköping University（林雪平大学）；Masaryk University（马萨里克大学）；Vienna University of Technology（维也纳工业大学）
命题规划问题是一个非常困难的计算问题，即使在很强的句法和结构限制下也很难解决。考虑到其难度，在参数化复杂性的背景下研究规划变得很自然。本文继续了Downey、Fellows和Stege关于规划的参数化复杂性的研究工作。“我们在两个最突出的语法限制下提供了规划问题的参数化复杂性的完整分类，即，由Baeckstroem和Nebel引入的所谓的PUBS限制以及由Bylander引入的对先决条件和效果的数量的限制。我们还确定所考虑的固定参数易处理的问题承认一个多项式核，哪些不。
2013-10-29 cs.AI cs.DS
Qualitative Numeric Planning: Reductions and Complexity
Universidad Simón Bolívar（西蒙·玻利瓦尔大学）；ICREA（加泰罗尼亚研究与高等教育机构）；Universitat Pompeu Fabra（庞培法布拉大学）
定性数值规划是经典的规划扩展与非负的实变量，可以增加或减少“定性”，即，不确定的金额。数值型确定性规划一般是不可判定的，而定性数值型规划是可判定的，为广义规划提供了一个方便的抽象模型。定性数值问题（QNP）的解对应于一个相关的完全可观测非确定性（FOND）问题的强循环解。这导致了一个生成和测试算法，用于解决QNP的FOND问题的解决方案是一个接一个地生成和测试终止。然而，这种解决QNP的方法的计算缺点是，它不是简单的修改FOND规划器生成所有的解决方案，并且要检查的解决方案的数量可以是变量数量的双指数。在这项工作中，我们解决这些限制，同时提供更多的见解QNP。更确切地说，我们引入了两个多项式时间的减少，一个从QNP到FOND问题，另一个从FOND问题到QNP，这两个都不涉及终止测试。这些减少的结果是，QNP被证明具有相同的表达能力和相同的复杂性FOND问题。
2020-11-26 cs.AI
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
On the Empirical Complexity of Reasoning and Planning in LLMs
National University of Singapore（新加坡国立大学）
本文通过6项推理任务的实验案例，将CoT与ToT的性能优势联系到样本与计算复杂性原则，揭示任务分解及树结构在困难推理任务中的作用。
2024-06-18 cs.AI cs.LG
Combinatorics of a Discrete Trajectory Space for Robot Motion Planning
DFKI（德国人工智能研究中心）
运动规划是机器人控制中的一个难题。问题的复杂性与机器人的位形空间维数直接相关。虽然在许多理论计算和实际应用中的配置空间建模为连续空间，我们提出了一个离散的机器人模型的基础上的基本硬件规格的机器人。使用格路径的方法，我们提供的运动规划的复杂性估计通过计数的数量可能的轨迹在一个离散的机器人配置空间。
2020-05-25 cs.AI cs.CC cs.DM
Planning for Temporally Extended Goals in Pure-Past Linear Temporal Logic: A Polynomial Reduction to Standard Planning
Bank of Italy（意大利银行）；York University（约克大学）
我们研究了纯过去LTL（PPLTL）中表达的时间扩展目标。PPLTL是特别有趣的表达目标，因为它允许表达复杂的任务，在正式的方法文献，而最坏情况下的计算复杂性规划在确定性和非确定性域（FOND）仍然是相同的经典的可达性目标。然而，虽然规划东帝汶警察部队目标的理论已得到很好的理解，但尚未具体研究实用工具。在本文中，我们在构建处理PPLTL目标的实际工具方面取得了重大飞跃。我们设计了一种技术多项式转化为标准规划PPLTL目标的规划。我们通过一些对比实验，证明了翻译的形式正确性、复杂性和实际有效性。因此，我们的翻译使最先进的工具（如FD或MyND）能够无缝处理PPLTL目标，保持其在经典可达性目标方面令人印象深刻的性能。
2022-05-31 cs.AI
Representation and Synthesis of C++ Programs for Generalized Planning
Universitat Pompeu Fabra（庞培法布拉大学）；Florida Universitària（佛罗里达大学）；VRAIN - Valencian Research Institute for Artificial Intelligence, Universitat Politècnica de València（瓦伦西亚理工大学瓦伦西亚人工智能研究所（VRAIN））
本文介绍了一种新的表示广义规划（GP）问题，和他们的解决方案，作为C++程序。我们的C++表示允许正式证明广义计划的终止，并指定其渐近复杂性w.r.t.世界物体的数量。描述C++广义计划的复杂性使得能够应用组合搜索，该搜索按复杂性顺序枚举可能的GP解决方案的空间。实验结果表明，我们的实现这种方法，我们称之为BFGP++，优于以前的GP作为启发式搜索方法的计算表示为编译器风格的程序的广义计划。最后但并非最不重要的是，在经典规划实例上执行C++程序是一个确定性的无接地和无搜索的过程，因此我们的C++表示允许我们在数千个对象的大型测试实例上自动验证计算的解决方案，其中现成的经典规划器要么陷入预处理，要么陷入搜索。
2022-06-29 cs.AI
Parameterized Complexity and Kernel Bounds for Hard Planning Problems
Linköping University（林雪平大学）；Masaryk University（马萨里克大学）；Vienna University of Technology（维也纳技术大学）
命题规划问题是一个非常困难的计算问题。Downey et al.（1999）提出了规划的参数化分析（以规划长度为参数），Bäckström et al.（2012）继承了这一研究思路，在各种限制条件下进行了广泛的参数化分析，只留下了一个顽固的案例。我们继续这项工作，并提供一个完整的分类。特别是，我们表明，当行动没有先决条件，最$e$后置条件是固定参数易处理的情况下，如果$e\leq 2$和W[1]-完全，否则。我们通过简化为Steiner树问题的一个变体来展示固定参数的易处理性; Guo et al.（2007）已经证明了这个问题是固定参数易处理的。如果一个问题是固定参数易处理的，那么它允许一个多项式时间自约化的实例，其输入大小由参数的函数（称为核）限制。对于某些问题，该函数甚至是多项式，这具有期望的计算含义。最近的研究在参数化的复杂性集中在分类固定参数的易处理的问题，他们是否承认多项式核或没有。我们重新审视所有以前获得的限制规划是固定参数的易处理的，并表明，他们都不承认一个多项式内核，除非多项式层次结构崩溃到第三级。
2013-01-21 cs.AI cs.DS
AAAI Workshop on AI Planning for Cyber-Physical Systems -- CAIPI24
该研讨会探讨了Cyber-Physical Systems（CPS）的AI规划挑战，指出传统算法难以应对其复杂性，并重点介绍了神经符号架构、LLMs和深度强化学习等新方法及其应用潜力。
2024-10-08 cs.AI
Reachability and Coverage Planning for Connected Agents: Extended Version
Univ Rennes（雷恩大学）；CNRS（法国国家科学研究中心）；IRISA（雷恩计算机科学与应用数学研究所）；Inria（法国国家信息与自动化研究所）
由于机器人在信息收集任务中的吸引力越来越大，我们研究了多智能体路径规划问题，其中智能体必须保持互连。我们通过一个拓扑图来建模一个区域，该拓扑图指定了代理的运动和连接约束。我们研究了理论上的复杂性的可达性和覆盖问题的一个舰队的连接代理的各类拓扑图。我们建立了这些问题的复杂性已知的类，并引入了一个新的类称为视线可移动图承认有效的算法。
2019-03-11 cs.AI cs.DS cs.MA
Reducing Planning Complexity of General Reinforcement Learning with Non-Markovian Abstractions
Research School of Computer Science, ANU（澳大利亚国立大学计算机科学研究学院）；Google DeepMind（谷歌DeepMind）
一般强化学习（GRL）领域从根本上阐述了顺序决策问题。相互作用的历史构成了系统的“基态”，它永远不会重复。一方面，这种通用性允许GRL对几乎所有可能的领域进行建模，例如Bandits、MDP、POMDP、PSR和基于历史的环境。另一方面，在一般情况下，在GRL的近最优策略是完整的历史，这不仅阻碍了学习，而且在GRL规划的功能。规划部分的通常方法是给代理一个底层过程的马尔可夫抽象。因此，它可以使用任何MDP规划算法来找到一个接近最优的策略。极端状态聚合（ESA）框架已经将这一想法扩展到非马尔可夫抽象，而不影响通过（代理）MDP进行规划的可能性。ESA的一个显著特征是，它证明了代理MDP所需状态数上的$O\left(\varepsilon^{-A} \cdot (1-γ)^{-2A}\right)$的上界（其中$A$是动作数，$γ$是折扣因子，$\varepsilon$是最优间隙），其保持\emph{all}域的\emph{uniformly}。虽然一个普遍的约束的可能性是相当显着的，我们表明，这个约束是非常松散的。我们提出了一种新的非MDP抽象，它允许一个更好的上限的$O\left(\varepsilon^{-1} \cdot (1-γ)^{-2} \cdot A \cdot 2^{A}\right)$。此外，我们表明，这个界限可以进一步提高到$O\left(\varepsilon^…
2021-12-26 cs.AI cs.LG
A Benchmark Study of Deep Reinforcement Learning Algorithms for the Container Stowage Planning Problem
Leiden University（莱顿大学）；Leiden Institute of Advanced Computer Science（莱顿高级计算机科学研究所）
针对集装箱配载规划领域缺乏强化学习算法系统基准对比的问题，构建含多/单智能体岸桥调度的可复用Gym环境，评估五种RL算法在不同复杂度场景下的性能，为海运物流相关研究与应用提供基础。
2025-10-02 cs.AI
A Refined View of Causal Graphs and Component Sizes: SP-Closed Graph Classes and Beyond
规划实例的因果图是规划实践和理论的重要工具。因果图的理论研究已经在很大程度上分析了规划实例的计算复杂性，其中因果图具有一定的结构，通常与其他参数（如变量的域大小）相结合。Chen和Gimand#233;nez甚至忽略了结构，只考虑了弱连通分量的大小。他们证明了，如果组件由一个常数限制，则规划是易处理的，否则就很难处理。然而，他们的棘手结果是由参数化复杂性理论的假设所决定的，该假设与标准复杂性类没有已知的有用关系。我们从标准复杂性类的角度来处理同样的问题，并证明了规划是NP-困难的类无界组件下的一个额外的限制，我们称为SP-封闭。然后，我们认为，大多数NP-硬度定理的因果图是很难应用，因此，证明了一个更一般的结果，即使组件的大小增长缓慢，类是不是密集的图形，规划仍然无法处理，除非多项式层次崩溃。这两个结果仍然成立时，限制类的无环因果图。最后，我们给出了NP-难和NP-中间类之间的边界的部分特征，进一步深入了解这个问题。
2014-02-04 cs.AI cs.DS
Computing Complexity-aware Plans Using Kolmogorov Complexity
KTH Royal Institute of Technology（瑞典皇家理工学院）
在本文中，我们介绍了复杂性感知规划有限时域确定性有限自动机的奖励作为输出，基于柯尔莫哥洛夫复杂性。Kolmogorov复杂性被认为是因为它可以检测确定性最优策略的计算复杂性。我们提出了一个规划目标，产生一个明确的权衡政策的性能和复杂性。它被证明，最大化这个目标是不平凡的意义上说，动态规划是不可行的。我们提出了两个算法获得低复杂度的政策，其中第一个算法获得低复杂度的最佳政策，第二个算法找到一个政策最大化的性能，同时保持本地（阶段）的复杂性约束。我们评估了一个简单的导航任务的移动机器人，我们的算法产生低复杂度的政策，符合直觉的算法。
2021-09-22 cs.AI cs.SY eess.SY
Second-Order Smooth Planning with Optimal-Transport Bellman Smoothing
Hanoi University of Science and Technology（河内理工大学）
针对生成模型下的规划问题，提出基于最优传输平滑贝尔曼备份的二阶规划器SecondOrderSmoothCruiser，将预言机复杂度从一阶的$\widetilde O(\varepsilon^{-4})$降至$\widetilde O(\varepsilon^{-3})$。
2026-09-09 cs.AI cs.LG
Encoding Reusable Multi-Robot Planning Strategies as Abstract Hypergraphs
Rice University（莱斯大学）；University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；ITAM（墨西哥自治技术学院）
本研究针对多机器人任务规划复杂度高、难在线求解的问题，结合DaSH超图框架与抽象学习技术，将单机器人策略学习方法扩展至多机器人场景以提升规划效率。
2024-09-16 cs.AI cs.MA cs.RO
The Complexity of Decentralized Control of Markov Decision Processes
University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）
从决策论的角度考虑了具有部分状态信息的分布式智能体的规划问题.我们描述了广义的MDP和POMDP模型，允许分散控制。即使是少量的代理人，我们的两个模型对应的有限时域问题是完整的非确定性指数时间。这些复杂性的结果说明了马尔可夫过程的集中控制和分散控制之间的根本区别。与MDP和POMDP问题相比，我们考虑的问题可证明不允许多项式时间算法，并且在最坏的情况下很可能需要双指数时间来解决。因此，我们提供了相应的数学证据的直觉，分散的规划问题不能很容易地减少到集中的问题，并解决了使用既定的技术。
2013-01-16 cs.AI
Online Planning Algorithms for POMDPs
McGill University（麦吉尔大学）；Laval University（拉瓦尔大学）
部分可观测马尔可夫决策过程（POMDPs）为随机域中不确定性下的序贯决策提供了一个丰富的框架。然而，解决POMDP往往是棘手的，除了小问题，由于其复杂性。在这里，我们专注于在线方法，减轻计算复杂性计算良好的本地政策在执行过程中的每个决策步骤。在线算法通常由前瞻搜索组成，以找到在环境中的每个时间步执行的最佳动作。我们在这里的目标是调查现有的各种在线POMDP方法，分析其属性，并讨论其优点和缺点;并彻底评估这些在线方法在不同的环境下的各种指标（返回，误差界减少，下界改进）。我们的实验结果表明，国家的最先进的在线启发式搜索方法可以有效地处理大POMDP域。
2014-01-15 cs.AI
CoPAL: Corrective Planning of Robot Actions with Large Language Models
Honda Research Institute Europe（本田欧洲研究院）
本文提出CoPAL架构，利用大型语言模型协调推理、规划与运动生成，通过新颖的重新规划策略处理物理、逻辑和语义错误，并在模拟及积木世界、调酒师和披萨准备场景中验证了其提升可执行性、正确性和时间效率的效果。
2025-04-24 cs.AI cs.RO
Transformer-based Planning for Symbolic Regression
Virginia Tech（弗吉尼亚理工大学）；Carnegie Mellon University（卡内基梅隆大学）
本文提出TPSR，将蒙特卡洛树搜索引入Transformer解码过程，以融合拟合精度和复杂度等不可微分反馈，从而在符号回归任务中超越现有方法，提升拟合-复杂度权衡、外推能力和抗噪性。
2023-10-27 cs.AI cs.LG
Towards Human-Centric Intelligent Treatment Planning for Radiation Therapy
Department of Radiation Oncology（放射肿瘤学系）；Molecular Radiation Sciences（分子放射科学）；Johns Hopkins University（约翰霍普金斯大学）；Baltimore, MD, USA（巴尔的摩，马里兰州，美国）
针对放射治疗计划质量欠佳、效率低和成本高的问题，提出以人为中心的智能治疗计划（HCITP）框架，在人类监督下整合临床指南并自动化计划生成，有望将计划时间缩短至分钟级并交付个性化高质量计划。
2025-10-15 cs.AI physics.med-ph
Answer Set Planning Under Action Costs
TU Wien（维也纳工业大学）；University of Calabria（卡拉布里亚大学）
最近，规划的基础上回答集编程已被提出作为一种实现声明式规划系统的方法。在本文中，我们提出了语言Kc，它扩展了声明式规划语言K的行动成本。Kc提供了容许和最优计划的概念，这些计划的总行动成本在给定的限制内。所有计划中的最小值（即，最便宜的计划）。正如我们所展示的，这种新颖的语言允许以声明的方式表达一些重要的规划任务。此外，它可以用于表示规划问题下的其他最优性标准，如计算“最短”的计划（步骤数最少），和细化组合的最便宜和最快的计划。我们研究的语言KC的复杂性方面，并提供了一个转换到逻辑程序，这样的规划问题，通过答案集编程解决。此外，我们报告选定的问题的实验结果。我们的经验是令人鼓舞的，答案集规划可能是一个有价值的方法，表达规划系统中，复杂的规划问题可以自然地指定和解决。
2011-06-26 cs.AI
TensorPlan and the Few Actions Lower Bound for Planning in MDPs under Linear Realizability of Optimal Value Functions
DeepMind（深度思维）；University College London（伦敦大学学院）；University of Alberta（阿尔伯塔大学）
我们认为，在固定时间马尔可夫决策过程（MDP）与线性函数逼近的生成模型的在线规划的极大极小查询复杂度。根据最近的工作，我们考虑广泛的问题，其中（i）最佳价值函数$v^\star$或（ii）最佳动作价值函数$q^\star$位于某些功能的线性跨度;或（iii）$v^\star$和$q^\star$都位于线性跨度时，限制到从起始状态可达的状态。最近，Weisz等人（2021 b）表明，在（ii）条件下，当动作集的大小$A$在$\min(d,H)$中可以被选择为指数时，任何规划算法的极小极大查询复杂度在水平$H$或特征维度$d$中至少是指数的。另一方面，对于设置（i），Weisz等人（2021 a）引入了TensorPlan，这是一种规划器，当动作数量固定时，其查询成本在所有相关量中都是多项式。除其他外，这两个作品留下了一个问题，多项式查询复杂性是否可能时，$A$是次指数在$\min(d,H)$。在本文中，我们回答这个问题的否定：我们表明，指数大的下限举行时，$A=Ω(\min(d^{1/4},H^{1/2}))$，根据（i），（ii）或（iii）。特别是，这意味着与Du等人（2021）的工作相比，查询复杂度可能会出现令人惊讶的指数分离，Du等人（2021）证明了当（iii）对所有状态都成立时的多项式上限。此外，我们证明了TensorPlan的上界可以扩展到（iii）下，对于具有确定性转…
2022-03-10 cs.AI cs.LG stat.ML
Knowledge-Based Programs as Plans: Succinctness and the Complexity of Plan Existence
CNRS（法国国家科学研究中心）；Université Paris-Dauphine（巴黎第九大学）；Université de Caen Basse-Normandie（卡昂下诺曼底大学）；ENSICAEN（卡昂高等电子工程学校）
基于知识的程序（Knowledge-based programs，KBP）是一种高级协议，描述了一个代理应该根据其知识执行的操作过程。在人工智能规划中使用KBP来表达行动策略的做法令人惊讶地被忽视了。考虑到每个KBP对应一个等效的计划，反之亦然，KBP通常比标准计划更简洁，但意味着更多的在线计算时间。在这里，我们使这一论点正式，并证明存在着一个指数的简洁性之间的差距，以知识为基础的程序和标准的计划。然后，我们解决计划存在的复杂性。一些结果平凡地遵循从文献中已知的结果在不完全的知识规划，但许多是未知的。
2013-10-23 cs.AI cs.LO
Near-Optimal Learning and Planning in Separated Latent MDPs
MIT（麻省理工学院）；Archimedes AI（阿基米德人工智能）
针对潜在 MDP 学习的不可能性，论文提出多种分离条件，刻画高效学习所需视界长度的近精确统计阈值，并给出拟多项式算法及基于指数时间假设的近匹配下界。
2024-06-12 cs.AI cs.CC cs.LG
Effective Multi-Robot Spatial Task Allocation using Model Approximations
Boğaziçi University（博阿齐奇大学）
现实世界中的多智能体规划问题不能解决决策理论的规划方法，由于指数的复杂性。我们近似消防救援模拟作为一个空间分布的任务和模型与多智能体马尔可夫决策过程。我们使用最近的空间任务问题的近似方法，以减少模型的复杂性。我们的近似是单代理，静态任务，最短路径修剪，动态规划视野，任务聚类。我们从RoboCup救援模拟地图创建场景，并在这些图形世界上评估我们的方法。结果表明，我们的方法是更快，更好地比可比的方法，并具有可忽略不计的性能损失相比，最佳的政策。我们还表明，我们的方法具有类似的性能DCOP方法的示例RCRS的情况下。
2016-06-04 cs.AI cs.MA cs.RO
VisualPredicator: Learning Abstract World Models with Neuro-Symbolic Predicates for Robot Planning
University of Cambridge（剑桥大学）；Cornell University（康奈尔大学）；Massachusetts Institute of Technology（麻省理工学院）；Princeton University（普林斯顿大学）；University of Oxford（牛津大学）；The Alan Turing Institute（阿兰·图灵研究所）
本文提出 Neuro-Symbolic Predicates 一阶抽象语言及在线算法，用于学习抽象世界模型，在五个模拟机器人领域实验中展现出更优的样本复杂度、分布外泛化能力和可解释性。
2025-02-28 cs.AI cs.CV cs.LG
ADaPT: As-Needed Decomposition and Planning with Language Models
UNC Chapel Hill（北卡罗来纳大学教堂山分校）；Saarland University（萨尔大学）；Allen Institute for AI（艾伦人工智能研究所）
本文提出 ADaPT，在 LLM 无法执行复杂子任务时按需递归分解与规划，从而适应任务难度和模型能力，并在 ALFWorld、WebShop 与新数据集 TextCraft 上显著提升成功率。
2024-04-08 cs.AI cs.CL cs.LG
The Parameterized Complexity of Coordinated Motion Planning
Royal Holloway, University of London（伦敦大学皇家霍洛威学院）；TU Wien（维也纳工业大学）；DePaul University（德保罗大学）
本文研究协调运动规划的参数化复杂度，证明以机器人数量为参数时CMP-M和CMP-L均固定参数可解，以目标值为参数时CMP-L可解而CMP-M参数NP难，还顺带证明了网格上常长度不相交路径问题的NP难解性。
2023-12-16 cs.AI cs.CG cs.DS
