May, 2024

基于层次任务网络的智能辅导框架：HTN-Based Tutors

PDF
TL;DR使用基于 HTN 的智能教师框架，我们可以提供个性化、适应性的学习体验，并解决现有框架中知识粒度和所提供指导的挑战。
intelligent tutorspersonalized learningadaptive learninghtn-based tutorshierarchical knowledge organization
发现论文，激发创造
  • 通过任务插入与偏好优化 HTN 方法

    本文提出了一种 HBNI (基于优先级偏好的任务嵌入法) 学习框架，用于通过任务插入来完善 HTN 方法，以及解决传统 HTN 学习方法中未考虑分层领域知识的问题。实验结果表明，该方法能够有效地解决新的 HTN 规划实例。

    Nov, 2019

  • 层次化任务网络规划概述

    提出了一个基于框架的方法以比较和分析使用 Hierarchical Task Network（HTN）规划解决 Web 服务复合问题的途径，并探讨了 HTN 规划的成就，规划模型及其在真实应用中的适用性。

    Mar, 2014

  • HATP：用于机器人的 HTN 规划器

    本文介绍了一种扩展传统 HTN 计划架构的 HATP 计划框架，该框架将社交规则和几何推理结合起来，将代理人视为一等实体，使其更适合机器人学，并在线验证当前由 HATP 执行的人类 / 机器人行为。

    May, 2014

  • 高血压和全序向前分解优化

    通过三阶段编译器设计优化预处理，构建基于 Hierarchical Task Networks 的 HTN planner，提高运行效率。

    Jul, 2022

  • 从地标自动学习 HTN 方法

    CURRICULAMA 是一种完全自动化学习过程的 HTN 方法学习算法，利用地标分析组合注释任务，并利用课程学习从简单到复杂地排序方法的学习，消除了 HTN-MAKER 中需要手动输入的核心问题，并证明了 CURRICULAMA 的合理性，实验证明其在学习完整一套方法上具有与 HTN-MAKER 相当的收敛速度。

    Apr, 2024

  • 使用非时间启发式指导 HTN 时间规划中的搜索

    本文提出了一种使用现有启发式方法解决 HTN 问题的新型 POCL（偏序因果链接）方法，实验证明该方法表现优秀且能够优于现有方法，从而解决了缺乏正式和一致定义的时间分层规划问题的不便。

    Jun, 2023

  • 从部分和噪声观测中准确推断 HDDL 领域的学习算法

    采用语法归纳的方法，HierAMLSI 能够以高精度学习带有噪声和部分观察的 HTN 计划域的行动模型和分解。

    Jun, 2022

  • 基于统一变形器和自监控的语言指令分层任务学习

    本文提出一个名称为 HiTUT 的模型，将任务学习分解成三个子问题：子目标规划、场景导航和物体操作，并统一解决了每个子问题，以学习分层任务结构。在 ALFRED 基准测试中，HiTUT 表现出最好的性能和更高的泛化能力。

    Jun, 2021

  • 神经任务编程：跨层次任务学习泛化

    本论文提出了一种新的机器人学习框架 —— 神经任务规划（NTP），实现从任务输入到分解、再到完成的过程，在机器人操纵任务中实现强泛化，展现出层次性和组合性的结构，同时对于长度增加、目标变化的未知任务也具备较强的泛化能力。

    Oct, 2017

  • 通过连接大型语言模型赋能私人辅导

    在这项工作中，我们探索了一种全面应用最先进的大型语言模型（LLMs）开发的智能辅导系统，涵盖了自动课程规划和调整、个性化教学和灵活的测验评估，以使系统对长时间互动具有健壮性，并满足个性化教育的需求。

    Sep, 2023