SayCanPay：利用可学习领域知识通过大型语言模型进行启发式规划
人工智能
2024-01-03 v2
摘要
大型语言模型（LLM）凭借其庞大的“世界知识”已展现出令人印象深刻的规划能力。然而，尽管近期取得进展，获得既可行（基于能力条件）又具成本效益（在规划长度上）的计划仍是一项挑战。这与采用领域知识（形式化为PDDL等动作模型）和启发式搜索来生成可行、最优规划的启发式规划方法形成对比。受此启发，我们提出结合LLM的世界知识与启发式搜索原理的优势。我们的方法SayCanPay利用LLM生成由可学习领域知识引导的动作（Say），该知识评估动作的可行性（Can）与长期奖励/回报（Pay），并通过启发式搜索选择最佳动作序列。我们的贡献在于：（1）在启发式规划背景下对LLM规划问题的新颖界定；（2）将接地性与成本效益要素整合进生成的计划；（3）在动作上采用启发式搜索。我们广泛的评估表明，我们的模型超越了其他LLM规划方法。
引用
@article{arxiv.2308.12682,
title = {SayCanPay: Heuristic Planning with Large Language Models using Learnable Domain Knowledge},
author = {Rishi Hazra and Pedro Zuidberg Dos Martires and Luc De Raedt},
journal= {arXiv preprint arXiv:2308.12682},
year = {2024}
}
备注
Accepted in AAAI 2024. Website: https://rishihazra.github.io/SayCanPay/