IJCAISep, 2019

泛化规划：非确定性抽象和轨迹约束

PDF
TL;DR本文研究了具有共同特征的问题集合的一般策略的特征和计算，并介绍了如何通过利用轨迹约束以及 LTL 公式来消除策略的终止条件以及降低规划的复杂度。
general policiesabstract problemmarkovian structuretrajectory constraintsltl synthesis
发现论文，激发创造
  • 推广规划的可靠抽象保证 (扩展论文)

    本研究针对广义规划中的归纳学习过程中模型广化限制的问题，提出基于全量数据的抽象模型和自动化合成方法，并形式化证明了其可行性和正确性。

    May, 2019

  • 发现用于通用任务和动作规划的状态和动作抽象

    本文提出一种算法，用于通过学习特征、抽象和广义计划来解决连续机器人任务和运动规划中的困难问题。研究表明，仅使用少量示例学习的简单广义计划可以用于优化 TAMP 求解器的搜索效率。

    Sep, 2021

  • 线性时态逻辑约束下的策略优化

    本文研究了带线性时间逻辑约束的策略优化问题。通过使用生成模型和 LTL 语言，提出了一种基于模型的方法，用于在低样本数据情形下保证任务满足和成本最优的算法。

    Jun, 2022

  • 在纯过去时线性时态逻辑中规划具有时间延伸目标：多项式约减为标准规划

    研究纯过去时线性时态逻辑（PPLTL）中表达的时间上延长的目标，这对于表达目标特别有趣，因为它允许表达形式方法文献中的复杂任务，同时在确定性和非确定性领域的规划的最坏情况的计算复杂性仍然与经典可达性目标相同。本文提出了一种将 PPLTL 目标的计划多项式转化为标准计划的技术，并展示了翻译的形式正确性、复杂性和实际效果。

    Apr, 2022

  • 无监督从少量样本学习通用政策

    此研究提出了一种替代方法来计算更具表现力的通用策略，该方法不需要样本计划或 QNP 计划程序。该方法可以用机器学习中的标准术语来描述，通过定义来自规划示例中的谓词的大但有限的功能池，并寻找用于将 “好” 与 “坏” 状态转换和目标与非目标分开的一小部分功能。然后，这将作为单个组合优化问题一起解决，用加权最大满足问题来表示。

    Jan, 2021

  • 广义规划中的特征、投影和表示变化

    本文将广义规划的标准公式扩展到包括关系型规划域，通过使用抽象动作进行策略生成和基于 FOND 计划器的计算。

    Jan, 2018

  • 超属性验证的非确定性规划

    验证超性质的自动化的算法，通过构建一个非确定性多机器人规划实例，确保一个规划存在则满足验证问题。

    May, 2024

  • 学习特征和抽象行动以计算广义计划

    本文介绍了一种结合自动学习和规划的方法来解决泛化计划问题，主要通过 Max SAT 表达式从已知实例的状态变迁中自动学习特征和抽象动作，并使用 fully observable 非确定性规划器生成泛化计划。实验结果展示了该方法的有效性。

    Nov, 2018

  • 非确定性 Situation Calculus 动作理论的抽象 —— 扩展版

    论文提出了一个基于 ConGolog 编程语言和非确定情景演算的抽象化代理行为的通用框架，在支持策略推理和策略合成的同时，实现了代理动作和环境反应的分离量化。如果代理在抽象层次有一个 (plan/strategy) 可以实现目标 / 完成任务，并且可以在具体层次始终执行非确定性的抽象行为从而实现目标 / 任务，则存在一个对具体目标 / 任务的细化的 (plan/strategy) 实现。

    May, 2023

  • 从目标导向的 LTLf 公式设计行为树

    本文给出了一种将有限路径线性时间逻辑（LTL）中的目标转化为行为树（BT）的方法，其中通过成就取向任务任务语法获得有用的 LTL 公式，为通过运用 LTL 运算符组合任务形成任务提供了可能，这产生了放松的行为综合问题，其中广泛的规划器可以实现 BT 中的动作节点，并且任何规划器产生的成功路径均满足相应的 LTL 公式。

    Jul, 2023