极简符号抽象与 LLM 指导下的启发式子空间搜索用于任务规划
机器人学
2025-09-16 v2 机器学习
摘要
可靠的任务规划对于实现真实机器人系统的长期自主性至关重要。大语言模型(LLMs)为将复杂且模糊的自然语言指令转化为可操作计划提供了有前景的接口。然而，其概率性和不透明的特性常导致输出在逻辑上不一致或不可行。为解决这些限制，最近的框架将LLMs与符号规划器结合，首先生成动作模型(Planning Domain Definition Language)，然后应用启发式搜索。尽管具有前景，但此类系统仍存在表示冗余和指数级搜索复杂度，常导致效率低下或计划过长。为提高规划效率和效果，我们提出PLAHX(Planning from Language using Abstraction and Heuristic eXploration)，一个将抽象符号表示与元启发式子空间搜索并行迭代集成的两阶段LLM-符号规划框架。我们引入一种保持语义忠实性同时消除冗余的极简符号抽象管道。我们的ethods重新定义LLM-符号规划的核心不在于使LLMs更聪明，而在于自适应地减少符号搜索空间。跨越四个具有挑战性的领域（包括积木堆叠和机器人移动抓取）的实验结果表明，我们的方法平均提高了成功率21.47%，同时相较于最先进的基线方法减少了13%的token消耗。
引用
@article{arxiv.2501.15214,
title = {Think Small, Plan Smart: Minimalist Symbolic Abstraction and Heuristic Subspace Search for LLM-Guided Task Planning},
author = {Junfeng Tang and Yuping Yan and Zihan Ye and Zhenshou and Song and Zeqi Zheng and Yaochu Jin},
journal= {arXiv preprint arXiv:2501.15214},
year = {2025}
}