深度潜空间中的经典规划：弥合亚符号-符号边界
人工智能
2017-12-05 v3
摘要
当前与领域无关的经典规划器需要以问题领域和实例的符号模型作为输入，导致了知识获取瓶颈。同时，尽管深度学习在许多领域取得了显著成功，其知识被编码在亚符号表示中，这与规划器等符号系统不兼容。我们提出LatPlan，一种结合深度学习和经典规划的无监督架构。仅给定显示环境中允许的部分转移的图像对未标记集合（训练输入），以及表示初始和目标状态的一对图像（规划输入），LatPlan在符号潜空间中找到通往目标状态的计划，并返回可视化的计划执行。本文的贡献有两方面：（1）状态自动编码器，其使用变分自动编码器找到环境的命题状态表示。它从图像生成离散潜向量，基于此可构建PDDL模型，然后由现成规划器求解。（2）动作自动编码器/判别器，一种联合发现动作符号和隐式动作模型（先决条件/效果）并提供隐式图搜索后继函数的神经架构。我们使用基于图像的3个规划领域：8-puzzle、Towers of Hanoi 和 LightsOut 对LatPlan进行评估。
引用
@article{arxiv.1705.00154,
title = {Classical Planning in Deep Latent Space: Bridging the Subsymbolic-Symbolic Boundary},
author = {Masataro Asai and Alex Fukunaga},
journal= {arXiv preprint arXiv:1705.00154},
year = {2017}
}
备注
This is an extended manuscript of the paper accepted in AAAI-18. The contents of AAAI-18 paper itself is significantly extended from what has been published in Arxiv or previous workshops. Over half of the paper describing (2) is new. Additionally, this manuscript contains the supplemental materials of AAAI-18 submission