基于 LLM 的语义部分落地

落地（grounding）是经典规划中的关键步骤，但由于任务规模增大时已落地动作与原子数量呈指数增长，它常成为计算瓶颈。近年来部分落地方面的进展通过在预测模型引导下仅增量落地最有希望的算子来应对这一挑战。然而，这些方法主要依赖关系特征或学习到的嵌入，未利用 PDDL 描述中存在的文本与结构线索。我们提出 SPG-LLM，它利用 LLM 分析领域文件与问题文件，在落地之前启发式地识别可能无关的对象、动作与谓词，从而显著缩小已落地任务的规模。在七个难以落地的基准上，SPG-LLM 实现了更快的落地——常快若干数量级——同时在某些领域给出相当或更优的计划成本。