Oct, 2023

空间导航任务中基于结构的任务分解

PDF
TL;DR人们如何能够在有限的认知资源下高效地进行规划？通过对一个现有模型的扩展来回答这个问题，我们通过在任务中添加结构信息以便在更复杂的任务中促进规划，对人类任务分解的模型进行了扩展。扩展模型随后被应用于一个更复杂的空间导航规划领域，我们的结果表明我们的框架可以正确预测绝大多数在线实验参与者的导航策略。
cognitive resourcestask decompositionplanningstructure informationspatial navigation
发现论文，激发创造
  • 人类通过权衡效用和计算成本来分解任务

    提出了一种规范性的任务分解框架，发现人类的任务分解行为更符合这个框架且最符合一个被证明是合理的启发式 —— 介数中心性。

    Nov, 2022

  • 通过对空间配置进行推理实现导航

    我们针对导航问题进行研究，提出了一种使用空间语义元素的神经代理导航模型，并探究了它们对导航代理的推理能力的影响。研究结果表明，指令中显式建模空间语义元素可以改善模型的基础和空间推理能力，并在已见及未见环境上取得了竞争性的性能。

    May, 2021

  • 基于大型语言模型的机器人任务规划与有向图结构表示

    该研究提出了一种将人类专业知识和 LLM 结合的任务规划方法，通过逐步分解任务并生成任务树来减少每个任务的计划量，并设计了一种策略来分离机器任务计划，从而使任务计划过程更加灵活。

    Jun, 2023

  • 结合时空抽象以实现更好的泛化规划

    Skipper 是一个受人类有意识规划启发的基于模型的强化学习代理，利用空间和时间抽象来在新情境中推广学到的技能，通过自动将任务分解为更小、更可管理的子任务来实现稀疏决策，并将计算集中在环境相关的部分。与现有的基于层次规划的方法相比，基于图的高层代理问题的定义和端到端学习的顶点和边的学习确保了性能保证，理论分析确定了我们的方法在何种情况下有帮助。通过以泛化为重点的实验验证，Skipper 在零样本泛化方面具有显著优势。

    Sep, 2023

  • 人类认知效率反映了计划信息处理

    通过两个实验，本文将计划的计划表述为元推理问题，并用一个递归贝尔曼目标来形式化计划。 我们的研究成果在规划、状态抽象和认知控制方面提供了新的见解。

    Feb, 2020

  • 学习在复杂环境中导航

    利用增强学习问题和多模态感应输入的辅助深度预测和循环闭环分类任务，可以学习从复杂 3D 迷宫中进行导航并接近人类级别表现

    Nov, 2016

  • 学习空间和时间的层次结构：多房间迷宫环境中的层次化主动推理导航

    介绍了一种层次感知模型，结合认知地图、空间感知和位置运动，通过基于像素的观察推断出环境结构，并能在迷你格环境中进行高效探索和目标导向搜索。

    Sep, 2023

  • 在多房间迷宫环境中推断层次结构

    研究提出了一个分层主动推断模型，以应对从基于像素的观察中推断世界结构的挑战，其中包含认知地图，客体 / 自体世界模型和目标导向行为，能够在基于房间的小型网格环境中实现高效的探索和目标导向搜索。

    Jun, 2023

  • 语言模型的认知地图：通过动词表示世界模型的最优规划

    本文研究了语言模型的最佳规划能力，可以构建给定环境的认知地图，实验证明认知地图显著提高了网格世界路径规划任务中的规划生成能力，同时展示了与人类认知类似的两个关键特征：将规划能力泛化到外推环境和有限训练数据下的快速适应。希望本研究结果能够为基于语言模型的模拟人类认知流程提供启示，从而开发出更先进、更健壮的系统，更好地模拟人类思维。

    Jun, 2024

  • 通过指导提升结构化探索实现物体导航

    本文提出了一种层次化学习方法，包括高层的规划和记忆以及低层的房间导航和物品寻找，通过简单的合成语言为代理提供指令，同时使用另一个目标评估模块将指令映射到视觉观察中。在一个动态可配置的家庭环境中验证了该方法的有效性。

    Nov, 2022