从包含最少动作与状态信息的轨迹中学习提升动作模型
人工智能
2026-05-19 v1
摘要
最近已有研究表明，仅从动作轨迹（即来自隐藏 STRIPS 模型的可应用动作序列）即可正确且高效地学习提升 STRIPS 模型。这一结果引人注目，因为其假定状态完全不可观测，但由于 STRIPS 动作包含对选择动作并非必需的参数，该方法在实际应用中尚不够实用。通过假设动作轨迹来自隐藏的 STRIPS+ 模型（其中某些动作参数隐含于隐藏的动作前提中），这一缺陷已得到解决。然而，该方法的局限性在于它假设状态是完全可观测的。在本工作中，我们放宽了这些限制，并在轨迹携带关于动作和状态的部分信息的更一般情境下，考虑从轨迹中学习 STRIPS+ 动作域的问题。具体而言，我们针对三种一般情况给出了算法和完备性结果，这三种情况均假设所选动作参数是完全可观测的。第一种情况不假设状态可观测；第二种情况假设某些状态谓词是完全可观测的；第三种情况则假设某些状态谓词是局部可观测的。给定一个 STRIPS+ 域，这些结果刻画了可以从轨迹中学习等价域的条件。文中报告了实验结果。
引用
@article{arxiv.2605.18627,
title = {Learning Lifted Action Models from Traces with Minimal Information About Actions and States},
author = {Jonas Gösgens and Niklas Jansen and Hector Geffner},
journal= {arXiv preprint arXiv:2605.18627},
year = {2026}
}
备注
accepted at KR2026