基于二值化神经网络转移模型在因子化状态与动作空间中规划的高效紧凑编码
人工智能
2020-03-09 v9
摘要
在本文中，我们利用二值化神经网络（BNNs）的效率来学习具有离散化因子化状态与动作空间的规划领域的复杂状态转移模型。为了直接利用该转移结构进行规划，我们基于到加权部分最大布尔可满足性（FD-SAT-Plan+）以及二值线性规划（FD-BLP-Plan+）的归约，提出了两种利用 BNN 的所学因子化规划问题的新编译方法。在理论上，我们证明了基于 SAT 的双向神经元激活编码相对于现有文献是渐近最紧凑的编码，并支持单元传播（UP）——这一促进 SAT 求解器效率的重要性质。在实验上，我们验证了我们的双向神经元激活编码相对于已有神经元激活编码的计算效率，并展示了用 BNN 学习复杂转移模型的能力。我们在所学因子化规划问题上测试了 FD-SAT-Plan+ 与 FD-BLP-Plan+ 的运行时间效率，表明 FD-SAT-Plan+ 随 BNN 规模与复杂度增加而扩展性更好。最后，我们提出了一种基于广义地标约束的有限时间增量约束生成算法，通过模拟或真实世界交互来提高我们编码的规划精度。
引用
@article{arxiv.1811.10433,
title = {Compact and Efficient Encodings for Planning in Factored State and Action Spaces with Learned Binarized Neural Network Transition Models},
author = {Buser Say and Scott Sanner},
journal= {arXiv preprint arXiv:1811.10433},
year = {2020}
}