Mar, 2023

PDSketch：一体化的计划域编程与学习

PDF
TL;DR本文研究了一种模型学习和在线规划方法，目的是构建灵活、通用的机器人。具体而言，我们研究如何利用底层环境转换模型中的局部性和稀疏性结构，以提高模型泛化能力、数据效率和运行效率。我们提出了一种新的领域定义语言 PDSketch，允许用户灵活定义转换模型中的高级结构，同时利用可训练的神经网络填充转换模型的细节。基于定义的结构和学习的参数，PDSketch 自动生成独立于领域的规划启发式，加速了针对新目标的性能时间规划。
发现论文，激发创造
  • 规划混合离散 - 连续领域的建模

    该论文提出了 pddl+，支持建模混合离散 - 连续计划领域的领域描述语言，利用混合自动机将规划实例映射到语义模型，从而为 pddl + 提供正式语义。

    Oct, 2011

  • 使用 POMDP 和生成模型实现机器人的即插即用的任务级自主

    该研究论文研究了如何将各种技能集成到机器人控制器中，利用基于概率编程语言的生成式技能文档语言，高效地解决了控制器代码文档化及添加新技能的问题，并通过 POMDP solver 及 AI planning 技术自动规划技能执行顺序，提高了机器人的自主控制性能。

    Jul, 2022

  • 通过立方空间先验学习神经符号描述性规划模型：归航（到 STRIPS）

    我们提出了一种新型的神经符号结构，通过从图像中学习出稳固而高效的离散状态转移模型，兼容基于启发式搜索的现代解算器，并且通过在学习过程中加入有利的先验知识降低了学习精度，并开展其对于学习符号表现的优良特质的理论探索。

    Apr, 2020

  • 通过乐观自适应规划将符号规划器和黑盒抽样器集成

    该研究通过对 PDDL 的扩展，提出了一种解决高维连续变量中的机器人规划及其动力学、碰撞、可视化等限制条件的算法，并在三个机器人领域的仿真环境和多个现实机器人任务中进行了验证。

    Feb, 2018

  • 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

  • 学习素描：将规划问题分解为有限宽度的子问题：扩展版

    该研究描述了使用草图来表示相同领域实例的子目标结构的能力，并提出了一种自动学习草图的解决方案，以及该解决方案所使用的 ASP 求解器 Clingo 和 SIW_R 规划器。

    Mar, 2022

  • 深度反应策略在 MDP 规划中的转移

    本论文提出了一种基于深度强化学习技术的 MDP planning domains 的无模型迁移学习算法，通过利用 RDDL 表示中的符号状态配置和转移函数，使得零 / 极少量训练和无需使用领域模拟器的迁移成为可能。

    Oct, 2018

  • 利用跳跃模型进行机器人领域的规划和快速学习

    本文研究了从未标记的经验中学习多步动态预测模型（跳跃模型）及其在后续任务中快速推理（高级）计划的实用性。通过离线学习技能嵌入空间，我们提出了一种学习跳跃模型的方法，不需要标签或奖励注释。通过在 RGB 堆栈环境中进行一系列实验，展示了通过学习技能和相关模型进行规划可以实现对新任务的零 - shot 泛化，并且可以通过强化学习进一步加速策略的训练。这些实验表明，结合时间抽象的 jumpy 模型可以促进长视角任务中的规划，这些任务在标准动态模型中难以实现。

    Feb, 2023

  • 从像素学习潜在动力学规划

    通过图像学习环境动态、通过快速在线规划选择动作，利用深度计划网络（PlaNet）解决了连续控制任务中的挑战，同时使用的强度模型相对较少。

    Nov, 2018

  • 带程序域控制知识的广义规划

    本研究论文介绍了如何使用过程式 Domain Control Knowledge (DCK) 来表示和计算广义规划，使用了 “分而治之” 的方法来首先生成解决某些子任务的过程式 DCK，然后将它编译为整个广义规划问题的可调用程序。我们的测试表明，通过使用可调用的过程式 DCK，一个现成的经典规划器可以在广泛的领域内计算出广义计划。

    Oct, 2019