从图像到神经-符号描述性动作模型：对 STRIPS 的探寻
人工智能
2019-12-12 v1 机器学习
摘要
近期关于从图像中学习离散规划模型的神经-符号系统研究，为将自动规划与调度（Automated Planning and Scheduling）的适用范围扩展至原始噪声数据开辟了一个有前景的方向。然而，先前工作仅部分解决了该问题，将黑盒神经模型用作后继状态生成器。在本工作中，我们提出双阶段动作模型获取（DSAMA），这是一个从图像中无监督学习命题变量，并获得具有显式先决条件与效果的描述性 PDDL 动作模型的系统。DSAMA 训练一组基于随机森林规则的分类器，并将其编译为 PDDL 中的逻辑公式。虽然我们获得了与黑盒模型相比具有竞争力的准确 PDDL 模型，但观察到所得 PDDL 对于 Fast Downward 等最先进标准规划器而言过于庞大和复杂，这主要归因于 PDDL-SAS+ 翻译器瓶颈。从这一负面结果出发，我们认为该翻译器瓶颈不能仅通过使用不同的现有基于规则的学习方法来解决，并指出了潜在的未来方向。
引用
@article{arxiv.1912.05492,
title = {Neural-Symbolic Descriptive Action Model from Images: The Search for STRIPS},
author = {Masataro Asai},
journal= {arXiv preprint arXiv:1912.05492},
year = {2019}
}
备注
Technical Report; not going to be submitted to the conference