PDDL 相关 AI 资讯 · AI 热点

8月18日

15:41

15:41

官方账号arXiv cs.AI@Mohammad Albinhassan, Yuming Feng, Alessandra Russo, Pranava Madhyastha

该研究提出一种神经符号智能体，将长时程家务任务分解为任务导向的视觉探索和受限符号规划。第一阶段，视觉语言模型和探索机制从第一视角观察中获取目标相关谓词和实例绑定，生成符号初始状态。第二阶段，PDDL转移模型限制解码，蒙特卡洛树搜索评估可执行延续。在VirtualHome和ALFWorld上，4B-27B模型成功率超90%，最小智能体显著优于27B直接视觉策略。约束与搜索互补，组合解决超95%任务，且生成token更少。

论文神经符号具身智能 PDDL

推荐理由：这个研究把视觉探索和符号规划结合起来，让模型在虚拟环境里干活成功率超90%，比直接让大模型操作强多了，而且不用专门训练。

7月23日

11:35

11:35

官方账号arXiv cs.AI@Md Ridwan Hossain Talukder, Roshan Dhakal, Elizabeth Phillips, Gregory J. Stein

论文提出礼貌性前瞻规划方法，让机器人在持久共享环境中执行任务时不仅考虑当前任务成本，还通过独立学习的成本估计器预估未来所有机器人的任务成本。在双机器人家庭环境中，该方法总成本比短视规划降低10.43%，比自私前瞻规划降低4.03%；在三机器人餐厅环境中，分别降低17.41%和13.24%。方法支持模块化部署，新增机器人只需训练其估计器。

论文多机器人任务规划前瞻规划

推荐理由：这篇论文教机器人做当前任务时也替别人着想，在家庭和餐厅测试里省了10%到17%的成本，挺实用的规划新思路。

5月18日

12:14

12:14

官方账号arXiv cs.AI@Augusto B. Corrêa, André G. Pereira, Jendrik Seipp

精选

本文提出一种属性引导的LLM程序合成方法，用于PDDL规划领域。传统方法依赖简单分数（如测试通过数）评估程序，缺乏失败原因反馈，导致大量无效生成和评估。新方法在程序违反形式化属性时立即停止评估，并返回具体反例，引导LLM修复。在10个规划域上的实验表明，该方法平均每个域生成程序数减少7倍，无需搜索即可解决更多任务，评估计算量降低数个数量级。该方法适用于任何存在可验证属性的问题，能显著降低成本并提升程序质量。

论文程序合成 LLM 规划

推荐理由：做AI规划或程序合成的团队，这篇论文提供了一种减少LLM调用次数、提升生成效率的实用方法——用形式化属性替代分数反馈，直接给反例引导修复，值得点开看看具体实现。