Badacze opracowali MemPlan - nowy framework, który łączy możliwości modeli językowych z precyzją symbolicznego planowania PDDL. System rozwiązuje problem kosztowności i podatności LLM-ów na halucynacje przy próbie działania jako długoterminowi planiści w złożonych scenariuszach.
Framework działa poprzez utrzymanie stałej domeny PDDL i rekonstrukcję problemu planowania na każdym kroku. Kluczową innowacją jest dwuwarstwowy system pamięci: pamięć pozytywna przypisuje oparte na relewancji koszty akcji dla kandydatów na brakujące obiekty, lokacje lub warunki, kierując planera w stronę bardziej wiarygodnych sprawdzeń, natomiast pamięć negatywna rejestruje założenia obalane przez feedback i kompiluje je w ograniczenia wykluczające, zapobiegając powtarzającym się próbom już skontradykowanych kandydatów.
Interfejs języka-symbolu jest wytrenowany offline ze supervised fine-tuning i łączy środowiska tekstowe z pętlą planowania poprzez parsing obserwacji na fakty i ugruntowanie symbolicznych akcji w komendy. Eksperymenty na TextWorld, ALFWorld i Robotouille wykazały, że MemPlan poprawia efektywność wykonywania zadań w porównaniu z metodami LLM-only i uwzględniającymi PDDL, a jednocześnie znacząco zmniejsza online koszt tokenów względem LLM-baseline'ów takich jak ReAct. Ten sam wytrenowany interfejs może być ponownie używany bez zmian w różnych typach zadań TextWorld.