Aug, 2019

ASNets: 通用计划的深度学习

HTML
PDF
TL;DR本文介绍使用Action Schema Networks（ASNets）学习概率和经典计划问题的广义策略，ASNets是一种神经网络架构，它利用（P）PDDL计划问题的关系结构来学习一组通用权重，可以应用于该领域内的任何问题，我们扩展了ASNets架构以使其更具表现力，同时仍保持不变，还提出了瞬时诱导正则化方法，产生足够紧凑的ASNets，以便人们可以理解，实验结果表明ASNets可以产生通用反应策略，可以更快地解决大型问题实例。
发现论文，激发创造
  • 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

  • 使用深度神经网络学习广义反应策略

    本文提出了一种新的学习规划的方法，使用深度神经网络学习“广义反应策略”（GRP），以映射问题实例和状态到动作，并用于自动学习启发式函数，通过对两个困难的规划问题领域的广泛实验，我们展示了使用我们的方法可以简化决策制定的复杂性和减少人类干预。

    Aug, 2017

  • 行动模式网络：深度学习的广义策略

    介绍了Action Schema Network(ASNet)：一种用于学习概率规划问题通用策略的神经网络模型。通过模拟规划问题的关系结构，ASNet能够采用权重共享方案，使网络能够应用于给定规划域中的任何问题。此外，提出一种平衡探索和监督训练的训练方法，以产生在评估较大问题时仍保持稳健的策略。在实验中，我们展示了ASNet的学习能力让其在多个具有挑战性的领域中明显优于传统的非学习规划者。

    Sep, 2017

  • 动作规划网络：弥合基于学习和经典动作规划器之间的差距

    本文介绍了Motion Planning Networks (MPNet)，这是一种计算效率高、基于学习的神经规划器，用于解决运动规划问题。 MPNet使用神经网络学习通用的近似最优启发式路径规划，在已知和未知环境中生成可连接路径，并结合传统的采样规划器，形成了一种混合方法。为了培训MPNet模型，我们提出了一种主动的连续学习方法，使MPNet能够从流媒体数据中学习，并在需要时主动要求专家演示，大大减少了培训数据。 在各种2D到7D机器人配置空间的问题中，我们进行了性能评估，并验证了MPNet的鲁棒性。

    Jul, 2019

  • 使用超图网络学习领域无关计划启发式

    通过学习来自Scratch的方法，我们提出了第一种能够学习无领域依赖规划启发式的方法。我们通过将规划问题的删除松弛表示的超图映射到通过超图从当前状态到目标的最小成本路径的成本估计来学习启发式。我们将图形网络推广到超图上学习，通过训练从最优成本计划中得到的状态/价值对来学习规划启发式。我们的实验表明，生成的STRIPS-HGN体系结构能够学习出与LM-cut等现有删除松弛启发式竞争的启发式，并且我们学习的启发式能够推广到不同的问题和领域。

    Nov, 2019

  • 深度强化学习的广义计划

    从小数据域中学习推导出可适用于远大于其所训练数据范围的领域的普遍性规则，本文研究了深度强化学习和图神经网络在学习这种广义策略的应用，并证明其具有普遍性。

    May, 2020

  • 学习广义关系启发式网络进行模型无关规划

    利用深度神经网络学习适用于不同对象及数量的通用启发式方法，以解决当前计算复杂性问题所依赖的手工编码符号动作模型和启发式函数生成器效率不高的问题。实证评估表明，由此方法计算的通用启发函数可轻松应用于不同对象、数量显著大于训练数据的问题。

    Jul, 2020

  • 使用GNNs学习通用策略而不需要监督

    该研究利用图神经网络(GNNs)解决传统规划域的泛化策略学习问题。结果表明，这种方法可以获得最优性和广义性之间的平衡，从而实现泛化性能更好的规划。

    May, 2022

  • 关系神经网络能解决哪些规划问题？

    本论文通过建立关系性神经网络的电路复杂度分析与目标回归搜索之间的联系，揭示了策略学习中的规划问题有三类，同时证明了电路宽度和深度与物体数量和规划周期成正比，从而得出了设计策略学习神经网络的实用性。

    Dec, 2023

  • 学习古典规划领域的通用策略：超越C2

    利用参数化的关系图神经网络 R-GNN[t]，我们在仅使用二次空间嵌入的情况下近似了 $3$-GNNs，对于较低的 t 值，如 $t=1$ 和 $t=2$，通过交换较少的信息消息，我们经常得到几个规划领域所需的 $C_3$ 特性。实验结果表明，相较于普通的 R-GNNs 和也近似了 $3$-GNNs 的边转换器，R-GNN[$1$] 和 R-GNN[$2$] 取得了明显的性能提升。

    Mar, 2024