Feb, 2019

无监督图像为基础的可规划一阶逻辑表示

PDF
TL;DR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。
relational structuresreinforcement learninglatplanneural networksymbolic classical planning
发现论文，激发创造
  • 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

  • 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

  • 深度潜空间中的古典规划：跨越子符号和符号边界

    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。

    Apr, 2017

  • 使用自编码逻辑程序学习关系表示

    本研究提出了一种新颖的用于关系表示学习的框架，该框架结合了传统的一阶逻辑和自动编码原理，使用逻辑程序而非神经网络进行原始表示和潜在表示之间的映射，将学习视为约束优化问题，得到的潜在表示在关系学习任务中表现优异，相较于深度学习方法，该框架更为准确、可解释性更强、更具灵活性。

    Mar, 2019

  • 通过抽象学习：神经状态机

    本研究介绍了神经状态机（NSM），旨在构建神经和符号人工智能之间的桥梁，并整合它们的互补优势以执行视觉推理任务。该模型通过将视觉和语言模态转换为基于语义概念的表示，实现了显著的透明度和模块化，我们在 VQA-CP 和 GQA 两个最新的 VQA 数据集上进行了评估，取得了最新的成果。 所有情况的最好结果。

    Jul, 2019

  • 深度空间自编码器用于视觉机器人学习

    该研究采用增强学习的方法，通过深度空间自编码器从摄像头图像中直接学习状态表征，以实现对环境进行特征点提取和控制的闭环控制，展示了 PR2 机器人在推动自由玩具方块、使用铲子拿起一袋米和在不同位置将绳环悬挂在钩子上等任务中自动学习控制的成功案例。

    Sep, 2015

  • 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

  • 基于语言的因果表示学习

    利用结构化因果模型语言，可以从一个简单离散动态系统的状态图中恢复状态变量，同时所选择的最紧凑表示对于学习体验起到有意义的学习偏好作用。

    Jul, 2022

  • 基于体验的关系状态抽象双层规划的主动学习

    以对象为基础的环境中，提出一种基于在线互动的积极学习方法，用于自动学习谓词的诠释和符号规划的运算符，并使用这种方法来实现在机器人环境中的状态抽象和路径规划。

    Mar, 2023

  • 由实际到逻辑再到实践：从原始数据中创造符号词汇、行动和模型的规划方法

    本文介绍了一种自主学习的方法，通过无标注的高维真实值机器人轨迹，自动学习抽象状态和动作的可推广的基于逻辑的关系表示，形成了自动发明的类似 PDDL 的领域模型。通过确定性设置的实证结果表明，仅凭少量机器人轨迹就可以学习到强大的抽象表示，所学的关系表示包括但超越了高级动作的经典直观概念，并且学习的模型使得规划算法能够扩展到以前超出手工构思抽象的任务范围。

    Feb, 2024