MARC

 008260126s2025        us                              c    eng  d
■001000017360952
■00520260202105643
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798265483263
■035    ▼a(MiAaPQ)AAI32399369
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a310
■1001  ▼aWang,  Shu.
■24510▼aEnhancing  the  Reasoning  Capabilities  of  Large  Language  Models:  From  Game  Playing  to  Embodied  Planning
■260    ▼a[Sl]▼bUniversity  of  California,  Los  Angeles▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a153  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-06,  Section:  B.
■500    ▼aAdvisor:  Wu,  Ying  Nian.
■5021  ▼aThesis  (Ph.D.)--University  of  California,  Los  Angeles,  2025.
■520    ▼aReasoning  is  a  fundamental  capability  of  human  intelligence  that  enables  complex  problem-solving  and  decision-making.  Recent  advances  in  Large  Language  Models  (LLMs)  have  demonstrated  remarkable  capabilities  across  diverse  tasks,  yet  their  reasoning  abilities  in  complex,  long-horizon  scenarios  remain  inadequately  understood.  This  thesis  systematically  investigates  and  enhances  the  reasoning  capabilities  of  LLMs  across  three  progressively  complex  domains:  constrained  game  playing,  task  and  motion  planning,  and  sequential  manipulation  in  partially  known  environments.First,  we  explore  LLM  reasoning  in  the  structured  domain  of  chess,  where  we  demonstrate  that  language  explanations  combining  long-term  strategic  thinking  and  short-term  tactical  analysis  significantly  enhance  model  performance.  Through  the  MATE  dataset  of  1  million  annotated  chess  positions,  we  show  that  fine-tuned  models  incorporating  strategy  and  tactic  annotations  outperform  state-of-the-art  commercial  LLMs  by  24.2%,  establishing  that  explicit  reasoning  guidance  improves  decision-making  quality.Second,  we  present  LLM3  ,  a  framework  that  leverages  LLMs  as  domain-independent  interfaces  between  symbolic  task  planning  and  continuous  motion  planning.  By  categorizing  motion  planning  feedback  into  collision  and  unreachability  failure  modes,  LLM3  enables  iterative  refinement  of  action  sequences  and  parameters.  Experimental  results  demonstrate  a  91.3%  success  rate  across  realistic  scenarios,  with  36.1%  reduction  in  travel  distance  compared  to  baselines,  highlighting  the  effectiveness  of  LLM-based  failure  reasoning.Third,  we  introduce  EPoG,  which  integrates  exploration  and  sequential  manipulation  planning  on  graph-based  scene  representations  for  partially  known  environments.  By  employing  LLMs  for  both  informed  exploration  prioritization  and  situated  replanning,  EPoG  naturally  combines  information  gathering  with  task  execution.  Across  46  household  scenes  and  5  long-horizon  tasks,  EPoG  achieves  superior  performance  while  reducing  exploration  overhead  by  40%  and  travel  distance  by  36.2%.Collectively,  this  thesis  makes  three  primary  contributions:  (1)  demonstrating  that  language-based  explanations  enhance  LLM  reasoning  across  domains  of  increasing  complexity,  (2)  establishing  effective  methods  for  integrating  LLM  reasoning  with  classical  planning  algorithms  through  structured  feedback  mechanisms,  and  (3)  showing  that  LLMs  can  provide  domain-independent  heuristics  that  improve  both  planning  efficiency  and  adaptability  to  environmental  uncertainty.  These  findings  advance  our  understanding  of  LLM  reasoning  capabilities  and  provide  practical  frameworks  for  deploying  LLMs  in  complex  embodied  AI  applications.
■590    ▼aSchool  code:  0031.
■650  4▼aStatistics
■650  4▼aInformation  technology
■650  4▼aRobotics
■653    ▼aChess
■653    ▼aGame
■653    ▼aLarge  Language  Models
■653    ▼aReasoning
■653    ▼aTask  and  motion  planning
■690    ▼a0463
■690    ▼a0489
■690    ▼a0800
■690    ▼a0771
■71020▼aUniversity  of  California,  Los  Angeles▼bStatistics  0891.
■7730  ▼tDissertations  Abstracts  International▼g87-06B.
■790    ▼a0031
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17360952▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서