KI News: Kurz und klar.

Epistemisches Planen erweitert die klassische (Multi-Agenten-)Automatisierung, indem es das Wissen und die Überzeugungen der Agenten als zentrale Elemente in die Planungsformel einbindet. Der weit verbreitete Rahmen Dynamic Epistemic Logic (DEL) liefert dafür eine reichhaltige und natürliche Semantik, doch die enorme Ausdruckskraft von DEL macht die Planung sowohl theoretisch als auch praktisch zu einer anspruchsvollen Aufgabe.

Die neuesten Fortschritte in großen Sprachmodellen (Large Language Models, LLMs) haben gezeigt, dass sie komplexe Denkaufgaben meistern können. Doch ihre Fähigkeit, langfristige Planungen durchzuführen, blieb bislang wenig erforscht. Mit dem neuen Benchmark SokoBench wird dieses Thema endlich systematisch untersucht.

Ein neues, vollständig automatisiertes Planungsframework wurde vorgestellt, das natürliche Sprachbeschreibungen in präzise PDDL-Modelle überführt. Der zentrale Orchestrator wandelt die menschliche Spezifikation in ein PDDL-Domain- und Problemmodell um und nutzt dabei moderne Large Language Models (LLMs), ohne dass ein Mensch in den Prozess eingreifen muss.

Ein neues Forschungsprojekt aus dem arXiv-Archiv präsentiert einen voll funktionsfähigen Übersetzungs‑Pipeline, der BPMN‑2.0‑Diagramme in PDDL‑Modelle überführt. Damit wird die bisher theoretisch vorgeschlagene Idee, Geschäftsprozesse mit automatisierter Planung zu simulieren und zu analysieren, endlich praktisch umsetzbar.

In einer kürzlich veröffentlichten Arbeit auf arXiv werden zwei neue Verfahren vorgestellt, die qualitative Zustands­trajektorien­beschränkungen in PDDL‑Planungsproblemen ohne vorheriges Grounding kompiliert. Dadurch lassen sich große Planungsaufgaben mit vielen Objekten und hoch‑aritäts­igen Aktionen effizienter lösen.

In einer aktuellen Studie aus dem Jahr 2025 wurde die End‑to‑End‑Planungsleistung von drei führenden Sprachmodellen – DeepSeek R1, Gemini 2.5 Pro und GPT‑5 – anhand von PDDL‑Domänen und Aufgaben aus dem Learning Track der International Planning Competition bewertet. Als Referenz diente der klassische Planner LAMA.

Forscher haben gezeigt, dass moderne Sprachmodelle (LMs) in der Lage sind, komplexe Planungsaufgaben in der Planning Domain Definition Language (PDDL) zu lösen, indem sie Python‑Programme generieren, die als allgemeine Richtlinien für ganze Domänen dienen. Diese Programme sind nachweislich korrekt, ohne dass externe Prüfer benötigt werden.

Die Planung ist eine der wichtigsten Aufgaben in autonomen Systemen, bei der selbst kleinste Fehler zu gravierenden Ausfällen oder Millionenverlusten führen können. Aktuelle neuronale Planungsansätze stoßen in komplexen Domänen an ihre Grenzen: Sie erzeugen Pläne ohne notwendige Vorbedingungen, mit inkonsistenten Zielen und sogar Halluzinationen. Klassische Planer bieten zwar logische Garantien, jedoch fehlt ihnen die Flexibilität und das Verständnis natürlicher Sprache, die moderne autonome Systeme benötigen.

In der Forschung zur Generalisierten Planung, die Deep Reinforcement Learning (RL) mit Graph Neural Networks (GNNs) kombiniert, hat ein neues Verfahren aus dem arXiv-Preprint „Scaling Up without Fading Out: Goal-Aware Sparse GNN for RL-based Generalized Planning“ gezeigt, dass die Skalierbarkeit massiv verbessert werden kann. Durch die Umstellung von vollständig verbundenen Graphen auf eine gezielt sparse, zielbewusste Repräsentation werden unnötige Kanten eliminiert und die relevanten lokalen Beziehungen zwischen Knoten präziser erfasst.