Oct, 2012

从嘈杂不完整的观测中学习 STRIPS 运算符

PDF
TL;DR本文研究如何使智能代理能够在真实环境中自主行动，提出一种通过学习状态转换函数从而得到明确的 STRIPS 规则的方法，能够应对真实环境中嘈杂的或不完全的观察数据。模拟实验表明该方法能够学习有用的环境模型描述。
agentsautonomous learningdynamics modelingpartial observabilitystrips action models
发现论文，激发创造
  • 使用古典规划学习 STRIPS 动作模型

    本文提出了一种新颖的方法，该方法从示例中学习 STRIPS 行动模型，并将其编译为一个经典的规划任务。编译方法对可用输入知识的不同量具有灵活性，并且可以接受部分指定的行动模型，并且可以用于验证计划执行的观察是否遵循给定的 STRIPS 行动模型，即使该模型不是完全指定。

    Mar, 2019

  • 学习随机领域的符号模型

    本文探讨发展在复杂世界中可以学习行动的代理程序的目标，并开发了一种概率关系计划规则表示，以紧凑地模拟有噪声，不确定性的行动效果，并展示了这种规则的有效学习方法。通过在简单规划领域和具有逼真物理的三维模拟块世界的实验，我们证明了这种学习算法使代理程序能够有效地模拟世界动态。

    Oct, 2011

  • STRIPS 行动发现

    本文提出一种新算法来无监督地合成 STRIPS 动作模型，并通过多种实验表明所学习的动作模型可以泛化到未见过的规划实例。

    Jan, 2020

  • 学习部分可观察的确定性动作模型

    研究了如何在动态部分可观测领域中识别确定性动作效果和先决条件，并提出了可行的算法来解决这个问题。

    Jan, 2014

  • 从无序和嘈杂计划痕迹中学习动作模型

    本文提出了一种基于 MAX-SAT 框架的方法，用于自动学习规划系统的领域模型，通过输入一组含有无序动作和噪声的计划迹线来输出最佳的动作模型，并通过系统实证评估证明了该方法的有效性

    Aug, 2019

  • 从状态轨迹中学习规划行动模型

    通过学习状态轨迹开始，本文探索了在未提供学习动作参数时的学习情况，定义了两个追踪质量级别，并提出了相应的算法。实验评估表明，提出的算法相对于现有的学习工具 FAMA，速度更快，可以处理更大的输入，并提供更接近参考模型的学习动作模型。

    Feb, 2024

  • 通过调整规划模型学习在开放世界中的操作

    在开放世界中，我们介绍了一个适应新颖性的规划领域模型的方法，通过检测行动执行的观察值和环境模型的预期值之间的差异来推断新颖性的存在，并通过启发式导向的模型改变搜索来修订模型。我们在标准的强化学习基准 CartPole 问题上进行实证评估，结果表明我们的方法可以快速且可解释地处理一类新颖性。

    Mar, 2023

  • 使用干预学习自主代理端因果模型

    本篇论文介绍了一种基于 agent assessment module 的 AI 系统执行高级指令序列并回答用户问题的方法，通过不同类别的查询来比较这种方法的计算要求和正确模型的学习所需的努力，并介绍了动态因果决策网络来捕捉 STRIPS-like 领域的因果结构。

    Aug, 2021

  • 使用逆动力学模型从像素规划

    提出了一种新的方法来学习依赖任务完成的未来动作序列预测的潜在世界模型，该模型适应地关注任务相关的动态学习，并同时充当稀疏奖励下计划的有效启发式方法，通过挑战性的视觉目标完成任务的评估，我们发现该方法较之前的无模型方法在性能上有了显著提高。

    Dec, 2020

  • 利用部分 STRIPS 模型扩展基于 ML 的黑盒规划技术

    本文探讨了当无完整符号化模型可用时，如何使用 STRIPS 模型来改进基于机器学习的黑盒计划。我们的研究表明，这是一种提高黑盒计划效率的有效方式，超越了收集更多数据或调整机器学习架构。

    Jul, 2022