MemPlan은 부분 관측 가능한 대화형 텍스트 환경을 위한 기억 강화형 PDDL 계획 프레임워크로, 2026년 10월 24일에 arXiv:2610.30379v1 형태로 처음 공개되었습니다. 이 연구는 대규모 언어 모델(LLM)을 장기 계획 도구로 직접 사용하는 것이 아니라, 자연어 관찰과 기호적 계획을 연결하는 ‘제한된 다리’로 자리매김합니다.
프레임워크의 핵심은 PDDL 도메인 정의를 고정한 채, 각 단계에서 파싱된 관측값, 후보 가설 및 상호작용 메모리를 바탕으로 PDDL 문제 인스턴스를 동적으로 재구성하는 데 있다. 여기서 양성 메모리는 관련성을 기준으로 누락된 객체, 위치 또는 조건에 대한 후보 가설에 행동 비용을 부여하여 계획기를 통해 보다 타당한 가설을 우선 검증하도록 유도한다. 반면, 음성 메모리는 실행된 피드백을 통해 반증된 가설을 기록하고 이를 배제 제약으로 변환함으로써 이미 부정된 옵션을 다시 시도하는 것을 방지한다.
MemPlan은 통일된 모드 조건부 언어–기호 인터페이스를 채택하며, 이 인터페이스는 오프라인 감독을 통한 미세조정 학습으로 완성되어 관측된 논리적 사실의 구문 분석(observation-to-fact parsing)과 기호적 행동에서 텍스트 명령으로의 매핑(symbolic-action-to-command grounding)을 구현합니다. 실험에서는 TextWorld, ALFWorld, Robotouille 세 가지 벤치마크에서 그 효과성을 검증하였으며, 순수 언어 기반 방법 및 PDDL 인식 기반 기준선에 비해 작업 완료율과 단계 효율성을 향상시켰고, ReAct 등 LLM 계획 기반 기준선에 비해 온라인 토큰 소모량을 크게 줄였습니다. 동일한 미세조정 인터페이스는 TextWorld의 서로 다른 작업 유형 간에 별도의 작업 특화 미세조정 없이 바로 재사용할 수 있습니다.
논문 저자는 모든 코드와 데이터를 공개했으며, 이를 GitHub에 호스팅하고 있습니다(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。)