2401.025.md

背景

• 背景
  文章介绍了大型语言模型（LLMs）在自动规划和调度（APS）领域的应用前景。APS是人工智能（AI）的一个分支，涉及算法和系统的开发，生成计划或行动序列，用于执行特定目标。同时，LLMs是基于大型数据集的、能够理解、生成和语境化人类语言的神经网络模型，用于从文本生成到语言驱动推理任务等广泛的应用。

• 已有的工作 现有的APS系统在结构化逻辑规划方面表现出色，但通常缺乏灵活性和对上下文的适应性，这是LLMs可以很好填补的空白。相反，尽管LLMs提供了无与伦比的自然语言处理能力和庞大的知识库，但它们在生成精确的可行计划方面却不足，APS系统在这方面蓬勃发展。将LLMs整合到APS中有望超越各自方法的局限性，提供一种动态和对上下文敏感的规划方法，同时还扩大了传统数据和过往经历在规划过程中的使用。

核心贡献

• 提出了一个LLMs和APS整合框架

  • 挑战1：自然语言与结构化规划语言之间的转换 文献提出了LLMs在将自然语言转换为结构化规划语言（如PDDL）等格式上的优势，以及反向转换，增强了人类语言输入与机器可理解规划指令之间的接口。

  • 挑战2：精确可行计划的生成能力不足 研究显示，尽管LLMs擅长根据先前的输入生成文本，但它们在生成准确、详细的空间推理和处理底层环境特征方面存在困难。通过与符号规划器整合，即使是不完善的LLMs输出也可以加快启发式搜索，从而提高效率并缩短搜索时间。

实现与部署

研究调查了应用LLMs进行自动规划的126篇相关论文，并对这些论文进行了分类，归纳总结了LLMs在不同规划问题方面的独特应用或定制。尤其指出，在模型构建方面，LLMs在地标和领域模型的创建或完善上取得了进展。在多代理规划中，LLMs在多个代理之间的互动场景中发挥着重要作用，增强了协调和合作，形成了更复杂和有效的多代理策略。交互式规划中，LLMs在需要实时适应用户反馈或迭代规划的动态场景中使用，可以通过不同的反馈变体来完善输出。

总结

本论文在理解大型语言模型（LLMs）与自动规划和调度（APS）的整合前景，突破了传统系统对上下文的适应性局限性，为实现更动态、上下文敏感的规划途径提供了可能性，并为进一步的应用和研究奠定了基础。