PDDLCoder: Agentic PDDL Generation for LLM-Assisted Symbolic Planning· PDDLCoder: 用于 LLM 辅助符号规划的 PDDL 生成
LLMs remain unreliable for long-horizon planning, often generating logically inconsistent or non-applicable plans. Recent hybrid methods instead translate natural language into the Planning Domain Definition Language (PDDL), allowing symbolic planners to produce verifiable plans. However, existing methods frequently rely on rigid generation pipelines, a partial PDDL definition, or human feedback. Furthermore, their evaluation is hindered by the lack of standardized benchmarks with automated verification. To address these limitations, we present PDDLCoder, an agentic framework for PDDL generation from natural language that iteratively generates, analyzes, and refines planning specifications. We further introduce NL-pddlgym, a benchmark dataset comprising 711 planning problems across 23 doma
PDDLCoder 通过迭代生成、分析和优化自然语言到 PDDL 的转换，提升 LLM 在符号规划中的可靠性。
- 核心方法
- PDDLCoder 采用代理框架，通过迭代生成、分析和优化 PDDL 规划规范，从而更好地适应不同的规划任务。
- 适合谁读
- 研究者、工程师
- 要解决的问题
- 现有的 LLM 在长期规划中存在逻辑不一致或计划不可行的问题，而现有的自然语言到 PDDL 的转换方法过于僵化或依赖人工反馈。
- 关键实验
- 在 NL-pddlgym 数据集上进行了实验，验证了 PDDLCoder 在多种规划任务中的有效性和鲁棒性。
- 主要贡献
- 1. 提出了 PDDLCoder，一种新的代理式 PDDL 生成框架；2. 创建了 NL-pddlgym 数据集，提供 23 个领域中的 711 个规划问题，用于标准化评估。
- 意义与局限
- PDDLCoder 提高了 LLM 在符号规划中的可靠性和适用性，NL-pddlgym 的引入促进了该领域的标准化研究和评估。局限在于当前框架可能仍需进一步优化以适应更复杂的规划任务。