开源工具包，让不确定环境下决策研究更高效可复现。
POMDPPlanners: Open-Source Package for POMDP Planning
- 集成前沿规划算法与安全关键型测试环境
- 支持超参数自动优化与并行仿真，提升实验效率
- 适合关注风险敏感决策的研究者使用
我们提出 POMDPPlanners，一个用于评估部分可观测马尔可夫决策过程（POMDP）规划算法的开源 Python 工具包。该工具包整合了前沿规划算法、包含安全关键变体的一系列基准环境、通过 Optuna 实现的自动化超参数优化、带失败恢复的持久化缓存，以及可配置的并行仿真，显著降低大规模仿真研究的开销。POMDPPlanners 旨在推动不确定性下决策研究的可扩展性与可复现性，尤其针对标准工具包难以应对的风险敏感场景。
原文摘要 · Abstract (English)
We present POMDPPlanners, an open-source Python package for empirical evaluation of Partially Observable Markov Decision Process (POMDP) planning algorithms. The package integrates state-of-the-art planning algorithms, a suite of benchmark environments with safety-critical variants, automated hyperparameter optimization via Optuna, persistent caching with failure recovery, and configurable parallel simulation -- reducing the overhead of extensive simulation studies. POMDPPlanners is designed to enable scalable, reproducible research on decision-making under uncertainty, with particular emphasis on risk-sensitive settings where standard toolkits fall short.
Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。