分层操作模型中行动、规划与学习的集成
人工智能
2020-03-10 v1 机器学习
摘要
我们提出针对 RAE（Refinement Acting Engine，精炼行动引擎）的新规划与学习算法。RAE 使用分层操作模型在动态变化的环境中执行任务。我们的规划过程 UPOM 在操作模型空间中进行类 UCT 搜索，以为手头的任务与上下文找到近最优方法。我们的学习策略从在线行动经验和/或模拟规划结果中，获取从决策上下文到方法实例的映射以及引导 UPOM 的启发式函数。实验结果表明，在四个测试域中使用效率与成功率两种不同指标时，UPOM 与我们的学习策略显著提升了 RAE 的性能。
引用
@article{arxiv.2003.03932,
title = {Integrating Acting, Planning and Learning in Hierarchical Operational Models},
author = {Sunandita Patra and James Mason and Amit Kumar and Malik Ghallab and Paolo Traverso and Dana Nau},
journal= {arXiv preprint arXiv:2003.03932},
year = {2020}
}
备注
Accepted in ICAPS 2020 (30th International Conference on Automated Planning and Scheduling)