通过从观测动作分布学习嵌入来识别计划
人工智能
2018-11-27 v2
摘要
视觉活动识别的最新进展提升了诸如自动化视频监视等应用的可能性。然而此类问题的有效方法需要能够从视频信息中识别智能体的计划。尽管传统计划识别算法依赖于对复杂规划领域模型的访问，近期一个有前景的方向是直接从观测活动序列 DUP 中学习近似（或浅层）领域模型。一个局限是此类方法以观测动作序列为输入。在许多涉及从原始数据进行视觉/感知的情形中，任一给定时间点的具体动作存在显著不确定性。此类情形下我们至多能期望该时间点动作的概率信息。输入遂为这类观测动作分布的序列。本工作中，我们着手构建一种有效的数据接口，使计划识别模块能直接处理此类观测分布。该接口类似于底层感知模块与高层计划识别模块之间的桥梁。我们提出两种途径。其一是将分布序列重采样为单一动作序列，由此可基于学习的动作（词）嵌入学习动作亲和模型以用于计划识别。其二是通过我们所提出的 Distr2vec（分布到向量）模型直接学习动作分布嵌入，以构建计划识别的亲和模型。
引用
@article{arxiv.1712.01949,
title = {Recognizing Plans by Learning Embeddings from Observed Action Distributions},
author = {Yantian Zha and Yikang Li and Sriram Gopalakrishnan and Baoxin Li and Subbarao Kambhampati},
journal= {arXiv preprint arXiv:1712.01949},
year = {2018}
}