Kairos：面向经典、数值、时间和混合 PDDL 的语义感知规划引擎编排

运行时规划（例如机器人在执行任务时重新规划）需要一种能够读取用户编写的 PDDL（持续动作、数值资源、时间窗口、连续变化）、快速响应并仅交付经过验证的计划的规划器。专用规划器在 PDDL 的各个子片段上表现出色，但它们在覆盖范围、延迟以及失败结果的含义方面各不相同。我们研究了这样一种可能性：根据每个任务的语义选择异构引擎，能否在保持与专用规划器竞争力的同时，广泛覆盖从 STRIPS 到 PDDL+ 的 PDDL，并明确每个答案所提供的保证。Kairos 会分析每个任务，以确定五种引擎中哪些适用（基于地面化启发式搜索、压缩式与瞬时动作时间搜索、用于混合动力学的时间步进搜索、提升式搜索），并在统一的时间和内存预算下调度它们。每个候选计划都由一个独立于规划器变换过程的验证器进行检查；只有当一种搜索的穷尽本身构成证明并耗尽其搜索空间时，才会报告“无解”。在来自九个比较套件的 1,756 个任务上，与每个套件中评测的最强规划器相比，Kairos 在完整限制下解决了更多任务；差距最大的是数值规划、时间规划、PDDL3 和 PDDL+ 规划。它在 100 毫秒和 1 秒的限制下也解决了最多任务。对各领域进行重采样后，在九个套件中的六个套件上，性能增益高于零；而在经典规划中与 LAMA 的比较则处于噪声范围内。进一步的 450 个面向特征的任务和 26 个单特征探测任务表明，Kairos 能够处理所测试的全部十七种特征，而其他受评测的规划器没有一个能处理超过八种。消融实验表明，压缩式时间搜索和新颖性回退机制是主要贡献因素；与 VAL 的比较则将每一处分歧追溯到某项 PDDL+ 约定或 VAL 已记录的缺陷。规划器和基准套件均已开源。