利用图神经网络在大型问题实例中学习物体重要性进行规划
机器学习
2020-12-10 v2 人工智能
摘要
现实世界的规划问题常涉及数百甚至数千个物体,逼近现代规划器的极限。本工作中,我们通过学习预测一小部分物体来解决这一挑战,这些物体合在一起足以找到规划。我们提出一种图神经网络架构,在单次推理中预测物体重要性,因而开销极小,同时大幅减少规划器必须考虑的物体数量。我们的方法将规划器与转移模型视为黑箱,可与任何现成规划器配合使用。经验上,在经典规划、概率规划以及机器人任务与运动规划中,我们发现我们的方法所得的规划显著快于若干基线,包括其他部分接地策略与提升规划器。我们得出结论:学习预测规划问题的充分物体集合,是在大型实例中规划的一种简单、强大且通用的机制。视频:https://youtu.be/FWsVJc2fvCE 代码:https://git.io/JIsqX
引用
@article{arxiv.2009.05613,
title = {Planning with Learned Object Importance in Large Problem Instances using Graph Neural Networks},
author = {Tom Silver and Rohan Chitnis and Aidan Curtis and Joshua Tenenbaum and Tomas Lozano-Perez and Leslie Pack Kaelbling},
journal= {arXiv preprint arXiv:2009.05613},
year = {2020}
}
备注
AAAI 2021