Learning adaptive planning representations with natural language guidance

在现实世界中有效的规划不仅需要世界知识，还需要利用这些知识来构建正确的任务表示。几十年来，分层规划技术一直使用特定领域的时间动作抽象来支持高效准确的规划，几乎总是依赖于人类先验和领域知识将困难的任务分解成适合于目标或一组目标的较小子问题。本文描述了Ada（Action Domain Acquisition），这是一个框架，用于使用语言模型（LMs）的任务通用背景知识自动构建特定任务的规划表示。从通用分层规划器和低级目标条件策略开始，Ada交互式地学习了一个适用于特定规划任务领域的高级动作抽象和低级控制器的库。在两个语言引导的交互式规划基准测试（Mini Minecraft和ALFRED Household Tasks）中，Ada明显优于其他使用LM进行顺序决策的方法，提供更准确的规划和更好的复杂任务泛化能力。

Ada框架试图通过利用语言模型的通用背景知识自动构建特定任务的计划表示，从而提高计划的准确性和泛化性。

Ada框架使用通用的层次规划器和低级目标条件策略，交互式地学习适用于特定领域的高级行动抽象和低级控制器，从而实现自动构建计划表示。

Ada在两个语言引导的交互式计划基准测试中表现强劲，比使用语言模型进行顺序决策的其他方法提供更准确的计划和更好的泛化性。

与Ada相关的研究包括使用深度学习进行计划的其他方法，例如使用神经网络进行计划表示的研究。