模糊范畴规划：带分级语义约束的自主目标满足
人工智能
2026-01-29 v1
摘要
自然语言规划常涉及模糊谓词（例如，合适的替代品、足够稳定），其满足本质上是分级的。现有的范畴论规划器提供组合结构和基于投影的硬约束验证，但将可应用性视为二进制，迫使阈值化处理，导致有意义的区分丢失，无法在多步骤计划中跟踪质量退化。我们提出模糊范畴规划（FCP），为每个动作（态射）标注 [0,1] 区间内的质量值，通过 Lukasiewicz t-norm 组合计划质量，并通过投影验证保留二进制可执行性检查。FCP 使用基于 LLM 的 k-样本中位数聚合来自然语言 grounding 分级可应用性，并通过 residuum 基于反向要求的meet-in-the-middle搜索支持。我们在（i）公共 PDDL3 偏好/超订基准和（ii）RecipeNLG-Subs 上进行评估，该基准基于 RecipeNLG 构建，包含来自 Recipe1MSubs 和 FoodKG 的替代方案候选。与仅使用 LLM 或 ReAct 风格的基线相比，FCP 在 RecipeNLG-Subs 上提高了成功率并减少了硬约束违规，而在保持与经典 PDDL3 规划器竞争的同时也取得了良好结果。
引用
@article{arxiv.2601.20021,
title = {Fuzzy Categorical Planning: Autonomous Goal Satisfaction with Graded Semantic Constraints},
author = {Shuhui Qu},
journal= {arXiv preprint arXiv:2601.20021},
year = {2026}
}