Jun, 2023

适应性操作的独立领域智能体体系结构在不断变化的开放环境中

PDF
TL;DR提出了一种名为 HYDRA 的框架，通过引入视觉推理、任务选择和行动执行模块，以及一种新颖的元推理过程，使模型引导的 agent 能够在混合离散 - 连续环境中自动检测、理解并适应其演化，实现对复杂环境的闭环交互。
model-based reasoning agentshydramixed discrete-continuous worldsvisual reasoningnovelty meta-reasoning process
发现论文，激发创造
  • HYDRA：用于动态组合视觉推理的超级智能体

    HYDRA 是一个多阶段动态组合视觉推理框架，利用大规模数据集和语言模型进行可靠且递增进化的推理，表现出了在各种视觉推理任务上的最新性能。

    Mar, 2024

  • 层级混合建模：柔性工具使用

    基于活跃推理的混合模型实现动态规划和同步行为，将层次化地表示其他代理和对象，扩展关于控制作为推理的先前工作并提出深度强化学习的替代方向。

    Feb, 2024

  • 通过调整规划模型学习在开放世界中的操作

    在开放世界中，我们介绍了一个适应新颖性的规划领域模型的方法，通过检测行动执行的观察值和环境模型的预期值之间的差异来推断新颖性的存在，并通过启发式导向的模型改变搜索来修订模型。我们在标准的强化学习基准 CartPole 问题上进行实证评估，结果表明我们的方法可以快速且可解释地处理一类新颖性。

    Mar, 2023

  • HYDRA: 黑盒 LLM 个性化的模型分解框架

    通过模型分解与知识捕捉，HYDRA 提供了一种个性化生成的解决方案，实现了用户特定行为模式与共享知识的结合。在 LaMP 基准测试中，HYDRA 相对于现有的基于提示的方法平均相对改进 9.01％。

    Jun, 2024

  • 基于知识和数据的异构团队合作推理和学习

    本研究提出了一种应用于团队协作的体系结构，通过结合基于知识的和基于数据驱动的推理和学习，能够实现协作对象的行为预测、适应性、透明性和更好的性能。

    Aug, 2022

  • 利用自然语言指导学习自适应规划表示

    Ada 使用语言模型从任务通用的背景知识中自动构建特定任务的规划表示，通过与其他使用语言模型进行顺序决策的方法相比，在两个基准任务上表现出更准确的计划和更好的任务复杂性泛化能力。

    Dec, 2023

  • Hydra-MDP: 多模态、多目标的端到端计划生成的 Hydra 蒸馏

    Hydra-MDP 是一种使用多个教师模型的新范例，使用来自人类和基于规则的教师的知识蒸馏来训练学生模型，具有多头解码器以学习适应各种评估指标的多样化轨迹候选，该方法在 Navsim 挑战中获得了第一名，并在各种驾驶环境和条件下显著提高了泛化能力。

    Jun, 2024

  • 使用 PDDL + 和更多方法进行实际世界规划

    NyX 是一种新颖的、强调轻巧、简单和适应性的 PDDL + 规划器，旨在解决 PDDL + 规划软件的短缺和刚性限制，并为解决现实世界问题的 AI Planning 方法提供了更广泛的应用。

    Feb, 2024

  • 利用探索性规划进行自主学习动作模型

    本文提出了一种新型的探索计划代理，它能够在没有专家跟踪或给定目标的情况下学习行动先决条件和效果，优化探索和行动模型学习，运用新的表示为 Lifted Linked Clauses 和一种新颖的探索行动选择方法，并在探索为中心的视频游戏场景中进行实证评估。

    Mar, 2022

  • 复杂 3D 环境中的分层强化学习

    使用层次混合离线 - 在线的深度强化学习代理提出了一种解决 HRL 代理在可视复杂部分可观察 3D 环境中的问题的方法，并在 DeepMind Hard Eight 任务中与非分层 Muesli 基线相竞争，研究揭示了以前未注意到的实际挑战，并为了解复杂领域中的层次代理提供了新的视角。

    Feb, 2023