经典规划中可微动的提升动作模式学习
人工智能
2026-05-26 v2 机器学习
摘要
经典规划器能够有效解决由 STRIPS 或 PDDL 表示的非常大的确定性马尔可夫决策过程（MDP），其中状态是由对象和关系构成的原子集合，提升的动作模式会添加或删除这些原子。这种紧凑表示产生强大的搜索启发式，并为结构泛化提供理想平台，因为提升的关系和动作模式会产生来自无限多个领域实例的结构。核心挑战在于从数据中学习这些关系和动作模式，近期方法通过不同类型的观察来解决此问题。本文开发了一种新型神经网络架构，用于从状态完全观测但动作参数未观测的轨迹中学习动作模式。该问题是简化问题，但也是通往从图像序列和动作标签中学习规划领域的重要一步，我们旨在以近乎完美的方式解决该简化问题。挑战在于在同时识别动作参数的同时学习动作模式。我们的做法产生一种稳健的可微分组件，可集成到更大的神经符号模型中。我们在各种规划领域上评估了该架构，要求所学习的提升动作模式恢复地面真实结构。此外，我们报告了对观测噪声鲁棒性以及与插槽基动态模型相关的变体的实验。
引用
@article{arxiv.2605.13282,
title = {Differentiable Learning of Lifted Action Schemas for Classical Planning},
author = {Jonas Reiter and Jakob Elias Gebler and Hector Geffner},
journal= {arXiv preprint arXiv:2605.13282},
year = {2026}
}