NL2Plan: 从最简文本描述中驱动的鲁棒性 LLM 规划
内容提要
本研究提出了一种结合大型语言模型（LLMs）与经典规划器的新方法，利用PDDL语言构建显式世界模型，从而提高计划的效率与准确性。实验结果表明，LLM + P框架能够有效解决复杂任务，生成高质量的计划，并显著减少错误。此外，研究还探讨了LLMs在自然语言与结构化计划语言之间的转换能力，发现其在翻译方面的表现优于规划。
延伸解读
LLM与经典规划器的互补优势
文章指出，LLM+P框架将经典规划器与大语言模型结合，利用PDDL构建显式世界模型。实验发现，LLM+P能为大多数问题提供最优解，而单独使用LLM甚至无法给出可行计划。这表明，在复杂规划任务中，经典规划器的严谨性与LLM的自然语言理解能力形成互补，单纯依赖LLM规划并不可靠。
LLM更擅长翻译而非规划
研究探讨了LLM在自然语言与结构化计划语言之间的转换能力，发现其翻译表现优于规划。虽然LLM能利用常识填补自然语言目标中的缺失细节，但在涉及数字或物理推理的任务中容易失败，且对提示信息敏感。因此，将LLM作为翻译接口而非直接规划器，可能是更稳妥的应用方向。
自动一致性检查提升PDDL质量
文章提到，使用自动一致性检查策略能显著改善LLM生成的PDDL模型质量，并减少后续纠正工作的人力投入。这意味着，在LLM生成形式化模型的过程中，引入自动验证环节可以有效降低错误率，提高整体流程的可靠性，为实际部署提供质量保障。
Q&A
NL2Plan的主要创新点是什么？
NL2Plan结合了大型语言模型与经典规划器，利用PDDL语言构建显式世界模型，提高计划的效率与准确性。
LLM + P框架如何提高计划的质量？
LLM + P框架通过结合经典规划和大型语言模型的优势，能够有效解决复杂任务，生成高质量的计划，并显著减少错误。
研究中如何验证PDDL模型的正确性？
研究通过验证PDDL模型的正确性来制定计划，确保在不涉及用户互动的情况下解决复杂任务。
大型语言模型在自然语言与结构化计划语言之间的表现如何？
研究发现，大型语言模型在自然语言与结构化计划语言之间的转换能力优于规划，尤其在翻译方面表现更佳。
使用自动一致性检查策略有什么好处？
自动一致性检查策略显著改善了由大型语言模型生成的PDDL模型的质量，减少了后续纠正工作的人力投入。
NL2Plan在执行成功率上有什么优势？
NL2Plan通过结合经典规划和大型语言模型的优势，提高了计划的速度和执行成功率，减少了执行步骤。
