- 泛化规划中的新颖性和提升型有用动作
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 - 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。
- IJCAI面向广义规划的 C++ 程序表示与合成
本文提出了基于 C++ 程序的广义规划(GP)问题及其解法的新型表示方法,该表示方法可以正式证明广义计划的终止,并指定其相对于世界对象数量的渐近复杂度。利用 C++ 广义计划的复杂度特征,可以应用组合搜索按照复杂度的顺序枚举可能的 GP 解 - 广义规划的声音抽象的自动验证
本文基于 Cui 等人的研究,探索了用于广义规划的 sound abstraction 的自动验证,并提出了基于模型理论的 sound 和 complete abstraction 的定义。本文还提出了可验证 sound abstracti - IJCAI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。
- 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。
- 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。
- AAAI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 - 深度强化学习的广义计划
从小数据域中学习推导出可适用于远大于其所训练数据范围的领域的普遍性规则,本文研究了深度强化学习和图神经网络在学习这种广义策略的应用,并证明其具有普遍性。
- AAAI具有正负例的泛化规划
本文将负例规划定义为一组不应由泛化计划解决的计划实例,并将计划验证的概念扩展到验证给定泛化计划解决输入正例实例时是否无法解决给定的一组负例实例,以量化评估泛化计划的能力,并展示如何将负例规划应用于计划综合的编译中,实验结果表明添加负例可以加 - 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 - IJCAI推广规划的可靠抽象保证 (扩展论文)
本研究针对广义规划中的归纳学习过程中模型广化限制的问题,提出基于全量数据的抽象模型和自动化合成方法,并形式化证明了其可行性和正确性。
- AAAI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。
- IJCAI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。