AAAIApr, 2017

深度潜空间中的古典规划：跨越子符号和符号边界

PDF
TL;DR本文介绍了一种使用深度学习与经典规划相结合的无监督架构 LatPlan，通过提供一组图像对作为训练输入和一对初始和目标状态图像作为规划输入，可以使规划过程在符号潜在空间中找到计划并返回可视化的计划执行。
classical plannersdeep learninglatplanunsupervised architectureimage-based planning
发现论文，激发创造
  • 无监督图像为基础的可规划一阶逻辑表示

    提出了一种无监督的体系结构来命名一阶逻辑谓词和事实，以便将图像输入编码为符号计划兼容的命题表示，通过试验表明，所得到的谓词捕捉到可解释的关系，有助于获取环境的抽象模型，并且与符号计划兼容。

    Feb, 2019

  • PcLast: 发现可规划的连续潜在状态

    我们学习到一种能够关联可达状态的表示方法，通过学习多步逆动力学获得一个潜在表示，并将其转换为在 l2 空间中关联可达状态，这种方法可以显著提高采样效率，并实现层次化规划。

    Nov, 2023

  • 从状态空间结构学习规划的一阶符号表示

    通过将规划器使用的一阶符号表示从编码状态空间结构的非符号输入中学习，我们解决了图像与符号之间的鸿沟，这意味着推断一个完整的一阶表示（即一般的动作模式、关系符号和对象）来解释所观察到的状态空间结构。

    Sep, 2019

  • 基于可信度的潜在空间经典规划启发式

    LatPlan 通过无标签图像数据学习领域无关的经典计划器模型，提出了基于可信性的启发式方法 PBH，可以显著提高图像拼图和汉诺塔领域的有效解决方案数量。

    Jun, 2023

  • 学习基于一阶符号计划的基础表达

    本研究提出了一种新的学习规划模型的方法，其既有组合方法学习清晰的动作模板，又能够从图像空间中产生动作模板，这是结合前两种方法的优势的一步。

    Apr, 2022

  • 通过立方空间先验学习神经符号描述性规划模型：归航（到 STRIPS）

    我们提出了一种新型的神经符号结构，通过从图像中学习出稳固而高效的离散状态转移模型，兼容基于启发式搜索的现代解算器，并且通过在学习过程中加入有利的先验知识降低了学习精度，并开展其对于学习符号表现的优良特质的理论探索。

    Apr, 2020

  • DeepSym: 无监督连续机器人交互的深度符号生成与规则学习用于规划

    该研究提出了一种基于行为细分、离散对象与效果类别的概率规则方法来进行非平凡的行为规划，并在机器人操作中实现了多步对象操作。

    Dec, 2020

  • 潜在扩散下的高效规划

    该研究论文介绍了一种统一的框架，利用潜在的、基于分数的扩散模型进行连续潜在行动空间的表示学习和规划，通过考虑预训练的扩散模型进行能量引导抽样，通过引入一种新颖的序列级别的精确抽样方法。所提出的方法在低维机动控制任务上表现出竞争性能，并在高维任务中超过了现有的方法。

    Sep, 2023

  • 从像素学习潜在动力学规划

    通过图像学习环境动态、通过快速在线规划选择动作，利用深度计划网络（PlaNet）解决了连续控制任务中的挑战，同时使用的强度模型相对较少。

    Nov, 2018

  • 回归规划网络

    本篇论文提出了一种联合学习和符号规划的回归规划网络方法，可以通过视觉输入直接生成长期符号计划，成功求解了预设规则和状态限制的一些本领域应用难题，表现出了接近于最优性能。

    Sep, 2019