Learning and Reusing Policy Decompositions for Hierarchical Generalized Planning with LLM Agents

Created by

Haebom

저자

Shirin Sohrabi, Haritha Ananthakrishnan, Harsha Kokel, Kavitha Srinivas, Michael Katz

💡 개요

본 논문은 LLM 기반 에이전트의 일반화된 계획 및 계층적 작업 분해를 위한 동적 정책 학습 접근 방식을 제안합니다. Hierarchical Component Learning for Generalized Policies (HCL-GP)는 작업 인스턴스 전반에 걸쳐 일반화되는 매개변수화된 정책을 학습하고, 성공적인 실행으로부터 재사용 가능한 구성 요소를 자동으로 추출하여 이를 구성 정책 생성을 위한 라이브러리로 구성합니다.

🔑 시사점 및 한계

•

LLM 에이전트가 기존 계획 개념을 활용하여 더 정확하고 효율적인 일반화된 계획을 달성할 수 있음을 보여줍니다.

•

학습된 정책 구성 요소를 동적으로 재사용함으로써 특히 도전적인 시나리오에서 성능을 크게 향상시킬 수 있습니다.

•

동적 재사용은 특히 오픈소스 모델에서 성능을 크게 향상시키는 효과적인 전략입니다.

•

자동 분해, 일반화, 의미론적 검색을 통한 효율적인 검색이라는 세 가지 주요 과제를 해결합니다.

PDF 보기

Made with Slashpage