Resumen: Abordar los problemas de planificación a gran escala se ha convertido en uno de los desafíos centrales en la comunidad de planificación, derivando de la explosión del espacio de estado causada por objetos y acciones en crecimiento. Recientemente, los investigadores han explorado la efectividad de aprovechar los modelos de idiomas grandes (LLM) para generar acciones y estados útiles para podar el espacio de búsqueda. Sin embargo, los trabajos anteriores han pasado por alto en gran medida los LLM integrados con conocimiento específico del dominio para garantizar planes válidos. En este documento, proponemos un nuevo planificador asistido por LLM integrado con la descomposición del problema, que primero descompone grandes problemas de planificación en múltiples subasinas más simples. Luego exploramos dos paradigmas novedosos para utilizar LLMS, es decir, LLM4Inspire y LLM4Predict, para ayudar a la descomposición del problema, donde LLM4Inspire proporciona orientación heurística de acuerdo con el conocimiento general y LLM4Predict emplea el conocimiento específico del dominio para inferir condiciones intermedias. Validamos empíricamente la efectividad de nuestro planificador en múltiples dominios, demostrando la capacidad de la partición del espacio de búsqueda al resolver problemas de planificación a gran escala. Los resultados experimentales muestran que las LLM localizan efectivamente soluciones factibles al podar el espacio de búsqueda, donde infundir el conocimiento específico del dominio en LLM, es decir, LLM4Predict, es prometida particular en comparación con LLM4Inspire, que ofrece conocimientos generales dentro de las LLM.
Publicado Originalme en export.arxiv.org El 17 de agosto de 2025.
Ver Fuente Original
