Modélisation de domaine adaptative avec des modèles de langage : une approche multi-agent pour la planification de tâches

Adaptive Domain Modeling with Language Models: A Multi-Agent Approach to Task Planning

June 24, 2025

Auteurs: Harisankar Babu, Philipp Schillinger, Tamim Asfour

cs.AI

Résumé

Nous présentons TAPAS (Task-based Adaptation and Planning using AgentS), un cadre multi-agent qui intègre des modèles de langage de grande taille (LLMs) à la planification symbolique pour résoudre des tâches complexes sans nécessiter de modèles d'environnement définis manuellement. TAPAS utilise des agents spécialisés basés sur des LLMs qui collaborent pour générer et adapter des modèles de domaine, des états initiaux et des spécifications d'objectifs au besoin, en utilisant des mécanismes structurés d'appel d'outils. Grâce à cette interaction basée sur des outils, les agents en aval peuvent demander des modifications aux agents en amont, permettant ainsi une adaptation à de nouveaux attributs et contraintes sans re-définition manuelle du domaine. Un agent d'exécution de style ReAct (Reason+Act), couplé à une traduction de plans en langage naturel, comble l'écart entre les plans générés dynamiquement et les capacités réelles des robots. TAPAS démontre des performances solides dans des domaines de planification de référence ainsi que dans l'environnement simulé VirtualHome.

English

We introduce TAPAS (Task-based Adaptation and Planning using AgentS), a multi-agent framework that integrates Large Language Models (LLMs) with symbolic planning to solve complex tasks without the need for manually defined environment models. TAPAS employs specialized LLM-based agents that collaboratively generate and adapt domain models, initial states, and goal specifications as needed using structured tool-calling mechanisms. Through this tool-based interaction, downstream agents can request modifications from upstream agents, enabling adaptation to novel attributes and constraints without manual domain redefinition. A ReAct (Reason+Act)-style execution agent, coupled with natural language plan translation, bridges the gap between dynamically generated plans and real-world robot capabilities. TAPAS demonstrates strong performance in benchmark planning domains and in the VirtualHome simulated real-world environment.