Public Domain Dedication and License v1.0 Esquiress Lyndsey Watson Copyright Dockets copyright © ls barcalys
PulseAugur coverage of Public Domain Dedication and License v1.0 Esquiress Lyndsey Watson Copyright Dockets copyright © ls barcalys — every cluster mentioning Public Domain Dedication and License v1.0 Esquiress Lyndsey Watson Copyright Dockets copyright © ls barcalys across labs, papers, and developer communities, ranked by signal.
5 天有情绪数据
-
MemPlan 将 LLM 与符号规划集成到文本环境中
研究人员开发了 MemPlan，一个新颖的规划框架，将大型语言模型 (LLM) 与符号规划集成到基于文本的环境中。该系统使用记忆条件下的 PDDL 规划来克服 LLM 在长时程任务中的局限性，例如幻觉和无效操作。MemPlan 通过解析的观察、假设和交互记忆在每一步重建规划问题，并通过从反馈中得出的基于相关性的动作成本和排除约束来指导规划器。在 TextWorld、ALFWorld 和 Robotouille 上的实验表明，与现有方法…
-
新框架SLoSa训练小型、安全的AI模型用于机器人任务规划
研究人员开发了SLoSa，一个旨在为机器人任务规划创建小型、节能且安全意识强的基座模型的框架。该方法结合了经典规划方法和大型语言模型（LLMs），以克服各自的局限性。SLoSa利用一个安全意识数据集和一个两阶段训练过程，包括监督微调和强化学习，以确保机器人在遵守安全约束的同时实现目标。该框架在各种PDDL域、模拟环境以及物理机械臂上都取得了成功，显示出在边缘设备上更高的成功率和更低的功耗。
-
NEXUS框架增强具身AI规划的安全性
研究人员开发了NEXUS，一个新颖的神经符号框架，旨在增强使用自然语言指令进行规划的具身代理的安全性与稳健性。该框架联合维护一个用于动作模式的PDDL域模型和一个用于约束的LTL安全规范。通过将执行失败和检测到的危险转换为可重用的LTL约束，NEXUS提高了动作可行性并减少了危险结果。在SafeAgentBench评估集上的实验表明，NEXUS在任务完成度和拒绝不安全动作之间提供了更优的平衡，同时还表现出对越狱攻击的抵抗力。
-
LLM规划代理在部分可观测性下平衡安全性和效率
研究人员调查了在部分可观测环境中运行的大型语言模型（LLM）规划代理在安全性和效率之间的权衡。他们发现，在预训练模型中，对长计划的积极承诺和基于观测状态的对短计划的保守承诺都会隐含地出现。虽然两种策略都能达到相似的准确性，但保守方法更安全但效率较低（因为API调用次数更多），而激进方法失败的次数更多，但如果先验信息可靠，则可以高效地重新规划。该研究还探讨了具有可调超参数的混合策略，以平衡安全性和效率。
-
LLM 通过 CVE2AP 自动化网络安全攻击路径生成
研究人员开发了 CVE2AP，一种利用大型语言模型 (LLM) 从自然语言 CVE 描述自动生成 PDDL 编码攻击路径的新方法。该方法旨在利用 LLM 的推理能力将威胁情报转化为形式化表示，从而克服手动 AP 建模的局限性。CVE2AP 包含一个错误反馈机制以进行迭代优化，并已成功生成高质量的 PDDL 编码攻击路径，其中 GPT-5.5 表现出有利的质量-成本权衡。
-
新方法增强了人机协作团队的AI计划可读性
研究人员开发了一种为任意PDDL域创建“可读”计划的新方法，将可读性方面的先前工作扩展到经典规划，而无需定制规划器。该方法旨在生成最能从观察者角度阐明其预期目标的计划，这在人机协作场景中对于隐式目标沟通非常有用。基准测试结果表明，计划可读性通常涉及与计划效率的权衡，并且需要一个正则化因子来平衡不同规划域中的这两个方面。
-
大型语言模型在将自然语言转换为PDDL方面表现出高准确性，Gemini 2.5 Flash领先
一篇新论文评估了大型语言模型（LLM）在将自然语言测试目标转换为PDDL（规划领域定义语言）以进行自动化规划方面的有效性。研究发现，当前的大型语言模型表现出很高的正确性，其中Gemini 2.5 Flash的准确率达到96%，而GPT-4.1在响应速度方面领先。尽管取得了重大进展，但由于语言歧义和领域表示的局限性，挑战依然存在。
-
新方法利用LLM和修复改进自然语言到PDDL的问题生成
研究人员开发了一种新方法，用于从自然语言描述生成PDDL（规划领域定义语言）问题实例。该方法结合了LLM生成和多阶段评估与修复过程，包括解析、规划、验证和领域一致性检查器。该系统旨在通过解决初始状态、目标、对象结构或优化目标中可能存在的误表示，来提高生成问题对预期任务的忠实度。跨多个基准的实验表明，虽然操作成功率可以提高，但重构参考PDDL问题仍然具有挑战性。
-
LLM为PDDL规划生成实例生成器
研究人员开发了一种新颖的方法，使用大型语言模型（LLM）自动生成PDDL规划的实例生成程序。该方法旨在克服先前用于创建规划实例的推理和学习方法的扩展性限制。生成的程序包含内置的健全性检查，并已证明能够高效地生成大量多样化且有效的实例。
-
开源 LLM 展现潜力但 PDDL 模型修复能力不足
研究人员评估了开源大语言模型在修复 PDDL（规划领域定义语言）模型错误方面的有效性，PDDL 对于 AI 规划至关重要。他们的实验表明，尽管表现最佳的 LLM 取得了 0.87 的 F1 分数，显著优于符号基线，但其测试通过率却很低。即使包含测试轨迹，模型在满足可靠的自动化模型修复所需约束方面仍面临挑战，尤其是在复杂域上。
-
Open Ontologies：用于 AI 原生本体工程的 Rust MCP 服务器
Tesseract Academy 发布了 Open Ontologies，这是一个基于 Rust 的 MCP 服务器，专为 AI 代理设计，用于工程生产级 OWL 本体。与 Protégé 等传统方法相比，该工具链提供了显著的性能提升，一致性检查的中位数延迟降至 0.3 微秒。Open Ontologies 集成了超过 70 个可供 AI 代理调用的工具，支持三层架构内的验证、推理、对齐和治理。
-
新的LLM方法增强复杂规划任务
研究人员引入了一种称为LLM-as-Higher-Order-Formalizer的新范式，以提高大型语言模型的规划能力。该方法解决了现有LLM-as-Formalizers的局限性，后者在需要将自然语言转换为结构化表示（如用于程序化求解器的PDDL）的复杂问题上存在困难。新方法涉及LLM生成捕获递归逻辑的高层程序，然后该程序生成更大的PDDL表示。这使得令牌输出与组合爆炸分离，从而在复杂的规划任务上获得更好的性能。
-
新基准改进了规划系统的LLM形式化
研究人员开发了NL-PDDL-Bench，这是一个旨在改进大型语言模型（LLM）形式化为规划领域定义语言（PDDL）的新基准，用于自主系统。该基准包括一个使用规划器诊断来修改不可执行规范的框架，以及一个用于微调LLM的基于规划器的优化方法。实验表明，规划器成功率和规划级别的一致性得到了显著提高，从而增强了LLM在安全关键规划应用中的可靠性。
-
新的PO-PDDL公式化实现了LLM友好的机器人不确定性规划
研究人员开发了PO-PDDL，一种新的符号化部分可观察马尔可夫决策过程（POMDPs）的公式化方法，它在保持PDDL的关系结构的同时，显式地建模了部分可观察性和随机性。该公式化旨在友好于LLM，并可在不同任务中重复使用。提出了一种从机器人执行的视觉演示中学习PO-PDDL模型的流水线，以识别部分可观察性并学习随机模型。在真实世界操作任务上的实验表明，该方法在不确定性下的鲁棒任务规划方面优于现有的PDDL和POMDP学习方法，并降低了规划成本。
-
新方法从工业4.0数字孪生自动生成PDDL
一篇新研究论文提出了一种从资产管理壳（AAS）能力模型自动生成PDDL问题的方法。该方法旨在通过允许生产工程师在无需PDDL专业知识的情况下定义能力，来简化自动化规划。该系统将AAS模型转换为完整的PDDL规划问题，使工程师能够通过修改AAS模型和重新生成规划域来探索设计权衡。