On the Roles of LLMs in Planning: Embedding LLMs into Planning Graphs

要約

計画合成は、専門家によって設計されたり、トレーニング データや世界との相互作用から学習したりできるドメイン モデルを提供して、与えられた初期状態から目標状態に移行する一連のアクションまたはポリシーを生成することを目的としています。
大規模言語モデル (LLM) の創発計画機能の主張に興味をそそられ、LLM での既製の計画手法の利用を考慮せずに、LLM の計画の有効性を調査する研究が提案されています。
このペーパーでは、既製の計画フレームワークにおける LLM の役割を調査することで、LLM の計画能力についての洞察をさらに研究することを目的としています。
これを行うために、我々は、よく知られた計画フレームワークの 1 つであるグラフベースの計画に LLM を埋め込む有効性を調査し、LLM が 2 つのレベルの計画グラフ、つまり相互制約生成レベルに埋め込まれた新しい LLM ベースの計画フレームワークを提案します。
および制約解決レベル。
私たちは、さまざまな計画領域で提案したフレームワークの有効性を実証しています。

要約(オリジナル)

Plan synthesis aims to generate a course of actions or policies to transit given initial states to goal states, provided domain models that could be designed by experts or learnt from training data or interactions with the world. Intrigued by the claims of emergent planning capabilities in large language models (LLMs), works have been proposed to investigate the planning effectiveness of LLMs, without considering any utilization of off-the-shelf planning techniques in LLMs. In this paper, we aim to further study the insight of the planning capability of LLMs by investigating the roles of LLMs in off-the-shelf planning frameworks. To do this, we investigate the effectiveness of embedding LLMs into one of the well-known planning frameworks, graph-based planning, proposing a novel LLMs-based planning framework with LLMs embedded in two levels of planning graphs, i.e., mutual constraints generation level and constraints solving level. We empirically exhibit the effectiveness of our proposed framework in various planning domains.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google