MemPlan 用记忆条件化 PDDL 规划提升文本环境任务完成率并降低 token 成本。
资讯摘要
论文提出 MemPlan，一种记忆条件化的 PDDL 规划框架，用于部分可观测的交互式文本环境。它保持 PDDL 域固定，每步根据解析观测、候选假设与交互记忆重建问题；正向图记忆为缺失对象、位置或条件的候选假设分配相关性动作代价，负向记忆把被反馈否定的假设编译为排除约束。作者报告在 TextWorld、ALFWorld 和 Robotouille 上，任务完成率与步数效率优于纯语言和 PDDL 基线，并显著降低在线 token 成本。
要点速读
- MemPlan 保持 PDDL 域固定，每步从解析观测、候选假设和交互记忆重建 PDDL 问题。
- 正向图记忆按相关性为候选假设分配动作代价，负向记忆将执行中被否定的假设转为排除约束。
- 作者报告在 TextWorld、ALFWorld、Robotouille 上任务完成与步数效率优于基线，在线 token 成本低于 ReAct 等 LLM 规划基线。
中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/24 08:00:37（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。