作为深度学习任务的goal识别：GRNet方法
人工智能
2022-10-26 v2 机器学习
摘要
在自动规划中，从观测轨迹识别智能体的目标是一项重要任务，具有诸多应用。最先进的goal识别方法依赖于规划技术的应用，这需要领域动作与初始领域状态的模型（例如用 PDDL 编写）。我们研究一种替代方法，将goal识别表述为由机器学习处理的分类任务。我们的方法称为 GRNet，旨在通过在学习如何在给定领域中求解该问题，使goal识别更准确且更快速。给定由一组命题和一组动作名指定的规划领域，该领域中的目标分类实例由一个循环神经网络（RNN）求解。RNN 的一次运行处理观测动作的轨迹，以计算对于每个所考虑问题实例，每个领域命题属于智能体目标的可能性。随后聚合这些预测以选择候选目标之一。训练后 RNN 所需的唯一输入信息是一条动作标签轨迹，每个标签仅指示一个观测动作的名称。实验分析证实，\our 在目标分类准确率和运行时间方面均取得良好性能，相较于所考虑基准上的最先进goal识别系统获得了更优性能。
引用
@article{arxiv.2210.02377,
title = {Goal Recognition as a Deep Learning Task: the GRNet Approach},
author = {Mattia Chiari and Alfonso E. Gerevini and Luca Putelli and Francesco Percassi and Ivan Serina},
journal= {arXiv preprint arXiv:2210.02377},
year = {2022}
}