自主智能体行为树的学习
机器人学
2020-07-16 v1 人工智能
机器学习
摘要
为自动规划器（Automated Planner, AP）定义精确的系统模型往往是不切实际的，尤其是对于现实世界问题。相反，现成的规划器难以扩展且具有领域依赖性。这些缺点继承自传统的转换系统，如有限状态机（FSMs），后者描述了由 AP 生成的动作计划执行过程。另一方面，行为树（Behavior Trees, BTs）代表了 FSMs 的有效替代方案，在模块化、反应性、可扩展性和领域独立性方面具有许多优势。在本文中，我们提出了一种无模型 AP 框架，利用遗传编程（Genetic Programming, GP）为自主智能体推导最优 BT，以便在未知（但完全可观测）环境中实现给定目标。我们利用开源基准 Mario AI 进行的实验说明了所提出的框架，该实验用于自动生成 BT，使游戏角色 Mario 能够完成包含不同难度级别（包括敌人和障碍物）的关卡。
引用
@article{arxiv.1504.05811,
title = {Learning of Behavior Trees for Autonomous Agents},
author = {Michele Colledanchise and Ramviyas Parasuraman and Petter Ögren},
journal= {arXiv preprint arXiv:1504.05811},
year = {2020}
}