Apr, 2022

完全可观察非确定规划的迭代深度优先搜索

PDF
TL;DR本文开发了一种新的迭代深度优先搜索算法，专为 Fully Observable Non-Deterministic (FOND) planning 设计，在解决 FOND planning 任务和生成强周期策略方面表现出鲁棒性和效率。
fully observable non-deterministic planninguncertaintyiterative depth-first search algorithmstrong cyclic policiesheuristic functions
发现论文，激发创造
  • PRP 重启：推进 FOND 规划艺术的最新发展

    这项研究介绍了一种全观测非确定性计划（FOND）的新方法，通过引入新颖的 FOND 感知启发式技术，在 17 个领域中，比其他 FOND 计划程序在 18 个综合基准套件中显著提高了性能。

    Dec, 2023

  • 学习完全可观察的非确定性计划领域的广义策略

    扩展学习通用策略的公式和组合方法以解决完全可观察、非确定性（FOND）领域的规划问题，通过实验证实所得方法在多个 FOND 规划基准领域上，并验证了其正确性。学习 FOND 规划的通用策略方法可以被视为在抽象空间中寻找解决方案的一种替代 FOND 规划方法，该抽象空间由需要学习的特征定义。

    Apr, 2024

  • 策略空间搜索：等价、改进与压缩

    通过进行策略空间搜索和引入等价策略以及解决压缩问题的技术，AND * 这一参考方法能更有效地解决具有不确定性的完全可观察非确定性计划任务。

    Mar, 2024

  • 非确定性规划领域中的 LTLf 最佳努力综合

    我们研究可在完全可观察、非确定性领域（FOND）中使用线性时态逻辑有限轨迹（LTLf）表示的目标的尽力策略（又称计划）。我们提出了一种基于博弈论的技术，用于合成利用非确定性规划领域特性的尽力策略。我们在形式上证明了其正确性，并在实验中展示了其有效性，相对于基于将规划领域重新表达为通用环境规范的直接尽力合成方法，其可扩展性大大提高。

    Aug, 2023

  • 基于启发式正向搜索和加权模型计数的概率规划

    提出了一种名为 Probabilistic-FF 的新的概率规划算法，该算法结合了 Conformant-FF 的技术和加权模型计数技术，可在具有概率部分不可观测性的问题上进行推理，并在各种概率域中显示出良好的可扩展性。

    Oct, 2011

  • 完全可观察非确定性领域模型中的时间扩展目标识别

    本文研究将目标识别扩展到具有完整可观察性和非确定性的计划领域模型中，重点是在使用线性时间逻辑（LTLf）和纯过去线性时间逻辑（PLTLf）表达的有限痕迹上识别目标。我们开发了第一种能够识别此类设置中目标的方法，并使用六个计划领域模型上的不同 LTLf 和 PLTLf 目标进行评估，实验结果表明我们的方法在不同的识别设置中识别时间上延长的目标是准确的。

    Jun, 2023

  • 定性数值规划：简化与复杂性

    本文研究定性数量规划问题，提出了两种多项式时间降阶方法，将问题转化为非确定性计划问题和反之，从而解决解决方案不完整问题和复杂度问题。

    Dec, 2019

  • 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

  • 具有功能面向对象网络的长视距任务规划与执行

    介绍了基于功能面向对象网络 （FOON）的知识表示，对象层次的规划以及动态运动原语 (DMPs) 的使用，提出了将 FOON 转化为 PDDL 的表示方法，在 CoppeliaSim 中展示了 任务规划和执行。

    Jul, 2022

  • 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