LOOP: Neuro-Symbolisches Framework verbessert Planung autonomer Systeme

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.

LOOP (Looped Optimized Planning) löst dieses Problem, indem es die Planung als fortlaufendes Gespräch zwischen neuronalen und symbolischen Komponenten gestaltet, anstatt sie als einmalige Übersetzung zu behandeln. Das Framework integriert 13 koordinierte neuronale Features – darunter Graph-Neuronale Netzwerke für räumliche Beziehungen, Multi-Agenten-Validierung für konsensbasierte Korrektheit, hierarchische Zerlegung für komplexe Aufgaben und kausales Gedächtnis, das aus Erfolgen und Misserfolgen lernt.

Im Gegensatz zu bisherigen Ansätzen erzeugt LOOP PDDL-Spezifikationen, die iterativ anhand symbolischer Rückmeldungen verfeinert werden. Gleichzeitig baut es aus Ausführungstraces ein kausales Wissensbasis auf, die zukünftige Planungen unterstützt. In sechs Standard-IPC-Benchmark-Domains erzielte LOOP eine Erfolgsrate von 85,8 %, deutlich höher als die 55,0 % von LLM+P, 19,2 % von LLM-as-Planner und 3,3 % von Tree-of-Thoughts.

Diese Ergebnisse zeigen, dass die Kombination aus neuronaler Flexibilität und symbolischer Präzision der Schlüssel zu zuverlässiger Planung in autonomen Systemen ist.