从部分观测图像中学习视觉规划模型

经典规划中的规划模型学习日益受到关注。然而，现有大多数方法侧重于从符号表示的结构化数据中学习规划模型。在真实场景中，获取此类结构化数据通常很困难。尽管已有一些方法被开发用于从完全观测的非结构化数据（如图像）中学习规划模型，但在许多场景中原始观测往往是不完整的。在本文中，我们提供了一个名为 \aType{Recplan} 的新框架，用于从部分观测的原始图像轨迹中学习转移模型。更具体地说，通过考虑轨迹中的前后图像，我们学习原始观测的潜在状态表示，并基于此类表示构建转移模型。此外，我们提出了一种基于神经网络的方法来学习启发式模型，该模型估计到达给定目标观测的距离。基于学习到的转移模型和启发式模型，我们实现了一个面向图像的经典规划器。我们通过实验证明，在不完整观测的环境中，我们的方法比最先进的视觉规划模型学习方法更有效。