查看“WikiEdge:ArXiv-2409.01806/methods”的源代码

<div style="float: right;">[{{fullurl:WikiEdge:ArXiv-2409.01806/methods|action=edit}} 编辑]</div>
这篇文献的工作部分详细介绍了如何利用大型语言模型（[[LLM]]）辅助的[[人工智能]]规划（[[AI Planning]]）。以下是这部分的主要内容：
# '''问题定义'''：
#* 明确了有效规划对于任务成功的重要性，包括设定目标、制定计划和分配资源。
# '''LLM在规划中的适用性'''：
#* 讨论了[[LLM]]在自动化规划中的潜力，特别是在常识推理方面的能力，以及它们如何从给定状态推导出实现目标所需的一系列动作。
# '''现有挑战'''：
#* 强调了通过直接提示生成的计划在执行时常失败的问题，并探讨了规划中的关键领域，如[[具身环境]]、最优调度、竞争与合作游戏、任务分解、推理和规划。
# '''规划方法和基准测试'''：
#* 通过现有规划基准数据集和方法的批判性审查，突出了有前景的方向，并识别了利用[[LLM]]能力解决现实世界规划挑战的重大障碍。
# '''规划问题的形式化'''：
#* 提供了规划问题的数学表述，讨论了[[规划领域定义语言]]（[[PDDL]]），并调查了流行的基准和方法。
# '''经典规划'''：
#* 描述了经典规划问题的形式化，包括在完全可观察环境中代理的操作，以及状态转移和奖励函数的建模。
# '''领域描述'''：
#* 讨论了[[PDDL]]在定义规划问题和领域中的应用，包括域文件、问题文件和计划的构成。
# '''规划基准'''：
#* 分类并讨论了现有的基准测试，包括[[具身环境]]、谜题挑战和自然语言规划。
# '''LLM辅助规划方法'''：
#* 提供了[[LLM]]辅助规划算法的模块化视角，包括计划生成器、环境解释器和增强反馈提供者，并讨论了[[LLM]]作为规划器和促进者的角色。
# '''讨论'''：
#* 探讨了使用[[LLM]]进行规划的挑战，包括它们的固有局限性、模型更新导致的行为变化、提高鲁棒性的策略、理解物理约束和解决延迟问题。