MemPlanは、部分観測可能な対話型テキスト環境向けの記憶強化型PDDL計画フレームワークであり、2026年10月24日にarXiv:2610.30379v1として初めて公開された。本研究では、大規模言語モデル（LLM）を長距離計画器として直接用いるのではなく、自然言語による観測と記号論理ベースの計画を結びつける“限定的な橋渡し役”として位置付けている。
フレームワークの核心は、PDDLの領域定義を固定したままにし、各ステップで解析された観測値、候補仮説および相互記憶に基づいてPDDL問題のインスタンスを動的に再構築することにある。そのうち、正の記憶では、関連性に基づいて欠落しているオブジェクト・位置・条件に関する候補仮説に行動コストを割り当て、プランナーがより妥当な仮説を優先的に検証するよう導く。一方、負の記憶は、実行結果によって反証された仮説を記録し、それを排除制約として編纂することで、すでに否定された選択肢を再び試すことを防ぐ。
MemPlanは、統一されたパターン条件付与型言語–記号インターフェースを採用しており、このインターフェースはオフラインの監視による微調整学習によって完成され、観測から論理的事実への解析（observation-to-fact parsing）および記号的行動からテキスト指令への対応付け（symbolic-action-to-command grounding）を実現します。実験では、TextWorld、ALFWorld、Robotouilleの3つのベンチマークでその有効性が検証されました。純粋な言語ベースの手法やPDDLベースの知覚系のベースラインと比較して、MemPlanはタスク完了率と手順数の効率を向上させました。また、ReActなどのLLM計画ベースラインと比較すると、オンラインでのトークン消費を大幅に削減しました。さらに、同一の微調整インターフェースは、TextWorldの異なるタスクタイプ間で直接再利用でき、追加のタスク固有の微調整を必要としません。
論文の著者は、すべてのコードとデータを公開しており、GitHubにホストされています（https://github.com/tewiSong/MemPlan）。需注意：所有结论均基于论文所载实验与描述，未引入外部评估或第三方复现结果；发布时间2026-10-24为arXiv预印本发布日期，非期刊或会议正式录用时间。