GRAIL：通过模仿学习实现目标识别对齐
人工智能
2026-02-17 v1 机器学习
机器人学
摘要
理解代理目标从其行为中是将 AI 系统与人类意图对齐的基本问题。现有的目标识别方法通常依赖于最优目标导向策略的表示，这可能不同于行为者的真实行为，阻碍准确识别其目标。为解决这一问题，本文引入目标识别对齐通过模仿学习（GRAIL），它利用模仿学习和逆强化学习从（可能次优）演示轨迹中直接学习每个候选目标的目标导向策略。通过对观察到的部分轨迹与每个已学习的目标导向策略进行单次前向传递评分，GRAIL 保留了经典目标识别的单次推断能力，同时利用能够捕获次优和系统偏行为的已学习策略。在评估域中，GRAIL 在系统偏置的最优行为下 F1 分数提升超过 0.5，在次优行为下提升约 0.1-0.3，在噪声最优轨迹下提升最高可达 0.4，同时在完全最优设置下保持竞争力。这项工作推动了可扩展且稳健的模型，以解释不确定环境中代理目标。
引用
@article{arxiv.2602.14252,
title = {GRAIL: Goal Recognition Alignment through Imitation Learning},
author = {Osher Elhadad and Felipe Meneguzzi and Reuth Mirsky},
journal= {arXiv preprint arXiv:2602.14252},
year = {2026}
}
备注
Accepted for publication at AAMAS 2026