Towards advancing modular AI planning systems : insights from the PlanX toolbox redesign

Abstract

As ai planning systems grow in complexity and are deployed in increasingly diverse application contexts, existing frameworks often struggle with modularity, reusability, and tool interoperability. These limitations hinder the integration of heterogeneous planning tools and reduce the adaptability of planning systems to evolving requirements. This thesis addresses these issues by redesigning the PlanX Toolbox, an open-source framework for composing ai planning functionalities based on soa and cbse principles. Through a detailed architectural analysis of the original PlanX system, several constraints were identified, including rigid service interactions, limited extensibility, and tightly coupled parsing, converting, and planning components. In response, a redesigned architecture was developed featuring a modular Generation Unit that unifies conversion and plan generation while maintaining parsing as an independent component. This restructuring improves the separation of concerns and supports more flexible composition of planning workflows. The redesign also introduces standardized message structures and dynamic planner selection, simplifying the integration of new components. The evaluation includes the integration of the Fast Downward planner, which revealed both the potential and the limitations of reusing standardized input formats like pddl across diverse planning backends. While conversion and generation could be modularized effectively, parser reusability remained constrained by tool-specific assumptions and preprocessing steps. These findings highlight key insights into the practical challenges of building modular ai planning systems: true composability requires not only standardized interfaces but also architectural awareness of planner internals. By proposing and validating a refined system architecture, this thesis provides actionable design patterns for enhancing maintainability, extensibility, and integration in ai planning systems. The findings offer both theoretical and practical contributions to advancing modular ai planning frameworks. Mit zunehmender Komplexität und Vielfalt der Einsatzbereiche stoßen bestehende ai Planning-Systeme häufig an ihre Grenzen hinsichtlich Modularität, Wiederverwendbarkeit und Interoperabilität. Diese Einschränkungen erschweren die Integration heterogener Planning-Tools und verringern die Anpassungsfähigkeit von Planungssystemen an sich ändernde Anforderungen. In dieser Arbeit wird das PlanX Toolbox-Framework überarbeitet, um diese Herausforderungen zu adressieren. Dabei kommen Prinzipien der soa und cbse zum Einsatz. Eine detaillierte Analyse der ursprünglichen Architektur der PlanX Toolbox identifizierte zentrale Schwächen wie starre Service-Interaktionen, eingeschränkte Erweiterbarkeit und eine enge Kopplung von Parsing-, Converting- und Planning-Komponenten. Als Lösung wurde eine neue Architektur entwickelt, die eine modulare Generation Unit einführt, welche die Konvertierung und Planerzeugung zusammenführt, während das Parsing bewusst als eigenständige Komponente beibehalten wird. Diese Trennung verbessert die Flexibilität der Systemkomposition und erleichtert den Austausch einzelner Komponenten. Zudem wurde eine standardisierte Nachrichtenstruktur eingeführt und die dynamische Auswahl von Planning-Strategien ermöglicht. Die Integration des Planners Fast Downward diente als Fallstudie, um die erweiterte Architektur zu validieren. Dabei zeigte sich, dass trotz der Nutzung eines gemeinsamen Eingabeformats wie pddl eine vollständige Wiederverwendbarkeit von Parsern durch werkzeugspezifische Annahmen und Vorverarbeitungsschritte eingeschränkt ist. Während Converting und Generierung erfolgreich modularisiert werden konnten, bleiben Parsing-Komponenten schwer übertragbar. Diese Ergebnisse verdeutlichen, dass echte Composability nicht allein durch standardisierte Schnittstellen erreicht werden kann, sondern ein tiefes Verständnis der internen Struktur von Planning-Tools erfordert. Die Arbeit liefert konkrete Entwurfsmuster zur Verbesserung von Maintainability, Extensibility und Integration in modularen ai Planning-Systemen und leistet damit einen Beitrag zur praktischen Umsetzung moderner Architekturprinzipien im Bereich der ai Engineering.