Jul, 2023

泛化规划中的新颖性和提升型有用动作

PDF
TL;DR介绍了基于规划程序的行动新颖性排名概念以及新颖性优化的 GP 算法，采用基于最佳优先搜索 BFS（v） 和其渐进变体 PGP（v）的方法，引入来自行动方案的提高可行性行动，并提出了新的评估函数和结构化程序限制，以扩展搜索范围。经实验证明，新算法 BFS（v）和 PGP（v）在标准通用计划基准测试中优于现有算法。
发现论文，激发创造
  • 基于启发式搜索的通用规划：利用对象指针的新规划搜索空间

    本研究提出了一种新的基于指针的 GP 解空间、评估和启发式函数，以及 BFGP 算法，为了实现 GP 的启发式搜索，避免了提前 grounding state 或 action 所带来的问题，能有效处理大型状态变量集合和大量数值域的情况。

    Jan, 2023

  • 计算通用规划的启发式搜索程序

    本文针对广义规划领域，在引入启发式搜索方法的前提下，提出首个本地启发式搜索方法，定义基于程序的解空间，以实现不同实例规划和不同实例规划大小的独立运行，同时定义 BFGP 算法进行最佳优先搜索，并由不同评估和启发式功能作为指导。

    May, 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

  • 利用路径标志将广义规划扩展为启发式搜索

    本文提出了一种用于广义规划的地标计数启发式算法，可以考虑规划实例中未显式表示的子目标信息，进一步提升启发式搜索的效率和实现。

    May, 2022

  • 发现用于通用任务和动作规划的状态和动作抽象

    本文提出一种算法，用于通过学习特征、抽象和广义计划来解决连续机器人任务和运动规划中的困难问题。研究表明，仅使用少量示例学习的简单广义计划可以用于优化 TAMP 求解器的搜索效率。

    Sep, 2021

  • 广义规划中的特征、投影和表示变化

    本文将广义规划的标准公式扩展到包括关系型规划域，通过使用抽象动作进行策略生成和基于 FOND 计划器的计算。

    Jan, 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

  • 学习用于符号规划的通用类型动作

    提出了一种通过给定的实体层次结构和观察到的相似行为来泛化符号动作的新概念，证明在虚拟的网格化厨房环境中可以从少量观察中学习到类型泛化的动作，并且在规划过程中引入了一种即时泛化机制，能够解决包括更长序列、新实体和未预期环境行为的未见任务组合。

    Aug, 2023

  • 无监督从少量样本学习通用政策

    此研究提出了一种替代方法来计算更具表现力的通用策略，该方法不需要样本计划或 QNP 计划程序。该方法可以用机器学习中的标准术语来描述，通过定义来自规划示例中的谓词的大但有限的功能池，并寻找用于将 “好” 与 “坏” 状态转换和目标与非目标分开的一小部分功能。然后，这将作为单个组合优化问题一起解决，用加权最大满足问题来表示。

    Jan, 2021

  • 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