MMOct, 2021

使用超图世界模型中的最大似然路径进行目标无关规划

PDF
TL;DR本研究提出了一种基于超图的机器学习算法，一种数据结构驱动的维护方法，以及一种基于概率应用 Dijkstra 算法的规划算法，从而形成了一个目标不可知的自动化学习代理计划引擎，该引擎结合了经典机器学习和传统人工智能的有益特性。我们证明了该算法能够在问题空间内确定最优解，在数学上限制了学习性能，并提供了一种数学模型，分析了系统状态在时间上的进展，从而得出了学习曲线、目标实现率和抽象和不确定性响应的明确预测。为了验证性能，我们展示了将代理应用于三个典型的计划问题的结果，并突出了阐明的特性的实证结论。
hypergraph-based machine learningautomated planning engineclassical machine learningtraditional artificial intelligencelearning curves
发现论文，激发创造
  • 学习使用不确定拓扑地图进行规划

    本文采用一种数据驱动的策略和基于图像的规划，应用于 3D 环境中的导航系统，通过机器学习方法实现了图像哈希表上的最短路径规划，比传统符号算法更优秀。

    Jul, 2020

  • 将世界模型视为图：学习用于规划的潜在地标

    该论文提出 L3P 算法，使用稀疏的多步转换学习基于图结构的世界模型并生成 Q - 函数，其在高维连续控制任务上具有优越的性能，是深度强化学习中可扩展规划的重要进展。

    Nov, 2020

  • 子目标模型的目标空间规划

    本文介绍了一种新的基于模型的强化学习方法来使用背景计划：将（近似）动态规划更新和无模型更新混合，类似于 Dyna 架构。我们通过将背景规划限制在一组（抽象）子目标上，并仅学习本地的、子目标条件模型的方法来避免高内存和计算使用率的不足，并证明了我们的 GSP 算法在各种情况下可以比 Double DQN 基线学习得更快。

    Jun, 2022

  • 导向图优化的多智能体路径规划的终身学习

    我们研究了如何利用引导来提高终身多智能体路径规划（MAPF）的吞吐量。我们提出了两种 GGO 算法来自动生成适用于任意终身 MAPF 算法和地图的引导，并通过实验证明我们的引导图能够提高三个典型终身 MAPF 算法在四个基准地图上的吞吐量。

    Feb, 2024

  • 自动图机器学习：方法、库和方向

    本文全面介绍了自动图机器学习的方法与技术，包括超参数优化和神经架构搜索等领域。同时，我们介绍了 AutoGL 库作为全球首个面对自动图机器学习的开源库，并探讨了自动图机器学习未来的研究方向。

    Jan, 2022

  • 稀疏图形记忆用于鲁棒规划

    该论文介绍了 Sparse Graphical Memory (SGM) 的新数据结构，与深度学习和经典规划相结合，以实现用于长时间范围下稀疏奖励视觉导航任务的可扩展性表现优于当前领先的方法。

    Mar, 2020

  • 基于图形的多机器人最优路径规划：完整算法和有效的启发式算法

    通过与网络流的等价性和整数线性规划，我们设计了用于解决四个不同目标的新颖和完整算法，从而解决了最佳多机器人路径规划问题。采用基于 ILP 算法模型和启发式算法的组合方法，能够在几秒钟内计算出包含数百个机器人，环境密集的问题的 1.x - 最优解。

    Jul, 2015

  • 基于高阶信念变化的通用多智能体认知规划器

    提出了一种多代理认知规划的表示语言，解决了现有编译成经典计划所面临的各种限制，包括只能生成线性计划、限制公共行动和无法处理分离信念等问题。

    Jun, 2018

  • 自适应信息路径规划的深度强化学习与动态图

    自适应在线路径规划和深度强化学习的无人机机器人在未知环境中更高效地探测目标。

    Feb, 2024

  • DeepPath: 知识图谱推理的强化学习方法

    本文提出了一种基于强化学习的多跳关系路径学习框架，利用知识图谱嵌入、采样方式和奖励函数提高路径推理的精度、多样性和效率，并在 Freebase 和 Never-Ending Language Learning 数据集上展示了其优异性能。

    Jul, 2017