基于LLM生成启发式的层次任务网络规划
人工智能
2026-05-29 v2
摘要
层次任务网络规划（HTN规划）是经典规划的一种变体，不同于搜索线性动作序列，算法通过方法库分解更高层次任务，直到仅剩可执行动作。一方面，这允许引入可通过方法库加速解决方案搜索的领域知识；另一方面，这也超越了经典状态空间搜索所面临的挑战。尽管近期研究产生了大量启发式和新型算法以加速HTN规划，但这些启发式在信息性方面尚不如经典规划算法所提供的启发式信息。我们研究是否可以利用大型语言模型（LLM）为HTN规划生成有效的搜索启发式，扩展了Corrêa、Pereira和Seipp（2025）的研究方法，从经典规划扩展到层次规划。使用Pytrich规划器在六个标准总顺序HTN基准域上评估LLM生成的启发式，在特定领域提示下，对比了TDG和LMCount基于域无关的基线以及PANDA规划器。我们的结果表明，LLM生成的启发式几乎匹配最佳可用HTN规划器的覆盖范围，同时在83%的共享问题上显著减少搜索 effort。
引用
@article{arxiv.2605.07707,
title = {Hierarchical Task Network Planning with LLM-Generated Heuristics},
author = {Felipe Meneguzzi and Alexandre Buchweitz and Augusto B. Corrêa and Victor Scherer Putrich and André Grahl Pereira},
journal= {arXiv preprint arXiv:2605.07707},
year = {2026}
}
备注
9 pages, 3 figures; submitted to NeurIPS 2026