AAAISep, 2020

使用图神经网络在大问题实例中学习物体重要性进行规划

PDF
TL;DR本文提出了一种基于图神经网络的对象重要性预测架构，通过预测一小部分对象，可以极大地减少计划器需要考虑的对象数量，从而实现简单、高效的规划过程，经过实验验证，在不同类型的规划问题中均取得了优异的效果。
发现论文，激发创造
  • 基于图神经网络和自适应调度的在线计划选择

    论文提出了一种基于图神经网络的候选规划器选择方法，并结合自适应调度策略实现了机器人路径规划等问题的高效解决，相关代码已经开源。

    Nov, 2018

  • 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

  • 基于图神经网络的经典规划器选择

    在线规划器选择是选择给定规划问题的预定义求解器之一的任务。本研究通过深入研究所选择 GNN 模型、图表示和节点特征以及预测任务等方面的影响，提出使用 GNN 获得的图表示作为 XGBoost 模型的输入，以实现更具资源效率且准确的方法，展示了多种基于 GNN 的在线规划器选择方法的有效性，为在线规划器选择的新研究方向打开了新的令人兴奋的可能性。

    Jan, 2024

  • 学习对象属性规划

    本文提出了一种利用符号规划的方法，采用先前的训练数据自动训练神经网络识别物体属性的方法，并使用规划技术来自动化训练数据集的创建和学习过程。最后，我们在模拟和真实环境中进行了实验评估，结果表明所提出的方法能够成功地学习如何识别新的物体属性。

    Jan, 2023

  • 道路行驶视频中物体重要性估计的交互图

    本文提出一种用交互图和图卷积进行物体重要性估计的新框架，以帮助更好地理解人类驾驶行为并实现更可靠的自动驾驶系统。实验结果表明，该模型具有比现有基线模型更好的性能。

    Mar, 2020

  • 图学习是否能改进任务规划？

    任务规划在大型语言模型发展的同时成为一个重要的研究课题，本文探讨了基于图学习的任务规划方法，该方法与传统的提示设计不同，通过将图神经网络与语言模型相结合以提高整体性能，并通过实验证明了其优于现有解决方案甚至在无训练的情况下的优势，并且通过改进提示或微调模型进一步提高了性能。

    May, 2024

  • PlanT: 通过物体级表示实现可解释的规划 Transformer

    该研究提出了一种名为 PlanT 的新方法，使用标准的 Transformer 架构，通过紧凑的对象层输入表示进行模仿学习来进行自动驾驶的计划，可以更好地识别相关对象，结合现有的感知模块即可实现更优秀的驾驶性能。

    Oct, 2022

  • 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

  • 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

  • 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