基于浅层模型的潜在计划发现
人工智能
2018-03-07 v1
摘要
计划识别旨在借助历史计划库或领域模型，发现观测动作背后的目标计划（即动作序列）。以往方法要么通过将观测动作与计划库最大化“匹配”来发现计划（假设目标计划来自计划库），要么通过执行领域模型以最佳解释观测动作来推断计划（假设完整领域模型可用）。然而在真实应用中，目标计划常不来自计划库，且完整领域模型常不可用，因为构建完整计划集与完整领域模型通常困难或代价高昂。本文中，我们将计划库视为语料库，利用语料库学习动作的向量表示，进而基于向量表示发现目标计划。具体而言，我们提出 DUP 与 RNNPlanner 两种基于动作向量表示发现目标计划的方法。DUP 探索 EM 式框架以捕捉动作的局部上下文，并通过优化目标计划的概率来发现目标计划；而 RNNPlanner 旨在基于 RNNs（循环神经网络）框架利用动作的长短期上下文以辅助识别目标计划。实验中，我们实证表明所提方法能够在无需提供领域模型的情况下，发现不在计划库中的潜在计划。通过在三个规划领域与传统的计划识别方法比较，我们展示了方法的有效性。我们还对比了 DUP 与 RNNPlanner 以观察各自优劣。
引用
@article{arxiv.1803.02208,
title = {Discovering Underlying Plans Based on Shallow Models},
author = {Hankz Hankui Zhuo and Yantian Zha and Subbarao Kambhampati},
journal= {arXiv preprint arXiv:1803.02208},
year = {2018}
}
备注
arXiv admin note: substantial text overlap with arXiv:1511.05662