PEORL：融合符号规划与分层强化学习的鲁棒决策框架
机器学习
2018-06-07 v3 人工智能
机器学习
摘要
强化学习与符号规划都已被用于构建智能自主智能体。强化学习依赖与真实世界的交互中学习，这常需要数量大得不可行的经验。符号规划依赖人工构建的符号知识，可能对领域不确定性与变化缺乏鲁棒性。本文提出一个统一框架 {\em PEORL}，将符号规划与分层强化学习（HRL）相集成，以应对含不确定性的动态环境中的决策问题。符号计划用于引导智能体的任务执行与学习，而学到的经验反馈给符号知识以改进规划。该方法在复杂领域中实现了快速策略搜索与鲁棒的符号计划。该框架在 HRL 基准领域上进行了测试。
引用
@article{arxiv.1804.07779,
title = {PEORL: Integrating Symbolic Planning and Hierarchical Reinforcement Learning for Robust Decision-Making},
author = {Fangkai Yang and Daoming Lyu and Bo Liu and Steven Gustafson},
journal= {arXiv preprint arXiv:1804.07779},
year = {2018}
}
备注
conference version accepted by IJCAI-ECAI-18