基于大语言模型的复杂任务自主规划处理框架

随着深度学习和自然语言处理技术的进步,大语言模型(Large language models, LLMs)展现出巨大潜力.尽管如此,它们在处理复杂任务时仍存在局限性,特别是在任务需要结合规划及外部工具调用的场合.面向这一挑战,提出国内首个以军事游戏为背景的中文的复杂任务规划与执行数据集(Complex task planning and execution dataset, CTPaE),以及一个基于LLMs的自主复杂任务规划(Complex task planning, CTP)处理框架AutoPlan.该框架可以对复杂任务进行自主规划得到元任务序列,并使用递进式ReAct提示(Progressive ReAct prompting, PRP)方法对已规划的元任务逐步执行.该框架的有效性通过在CTPaE上的实验及与其他经典算法的比较分析得到了验证.项目地址:https://github.com/LDLINGLINGLING/AutoPlan.

RAG-PHI:检索增强生成驱动的平行人与平行智能

大模型技术的发展为融合生物人、数字人和机器人的平行人系统构建提供了崭新思路和智能基础。但是,在面临复杂系统的管控任务时,仍然存在着知识更新受限、专用能力不足以及信息隐私泄露等问题。为此,提出了检索增强生成驱动的平行人与平行智能框架——RAG-PHI,打造了开放式数据平台,为平行人系统接入实时知识、行业知识及私有知识;构建动态路由检索,进行上下文抓取和平行人能力重组;引入上下文提示学习增强思维与行为能力。进一步,面向平行人的组织管理、培训评估和运营生产模式,提出了基于RAGPHI架构的平行人社区、平行人学校和平行人工厂架构,形成了检索增强生成和基础大模型协同驱动下的平行人生态,促进智业时代的生产力提升。

面向计算机生成兵力的意图识别行为建模框架

作为计算机生成兵力(Computer Generated Forces,CGF)的一类重要认知行为,意图识别通过分析敌友动作时序逻辑进而识别作战意图,有助于CGF形成更富针对性的应对策略和决策能力。为了进一步规范面向计算机生成兵力的意图识别行为建模,本文在梳理总结20世纪80年代以来世界范围内意图识别研究进展和意图识别行为模型设计实现方法的基础上,依据态势感知理论,分析了CGF态势感知过程、影响要素与约束,从问题特征与约束、基本识别过程出发,提出了一个通用的意图识别行为建模框架,能对不同应用需求下的CGF意图识别行为建模提供理论与方法指导。