用于提升计算效率的任务学习与规划的动作分类
人工智能
2018-04-27 v1
摘要
本文探讨任务学习与规划问题，提出动作类别表示（Action-Category Representation, ACR）以提升规划与强化学习（Reinforcement Learning, RL）两者的计算性能。ACR 是一种与算法无关的抽象数据表示，其受心理学中动作编码概念的启发，将对象映射到动作类别（动作组）。我们在 StarCraft 和 Lightworld 领域中验证了我们的方法；结果表明 ACR 通过缩减智能体的动作空间，对规划和 RL 的计算性能提升具有若干益处。
引用
@article{arxiv.1804.09856,
title = {Action Categorization for Computationally Improved Task Learning and Planning},
author = {Lakshmi Nair and Sonia Chernova},
journal= {arXiv preprint arXiv:1804.09856},
year = {2018}
}
备注
10 pages, 13 figures, 3 tables. Extended abstract of the paper accepted to AAMAS 2018