通过多方案数据集生成消除规划器偏置于目标识别
人工智能
2026-02-17 v1
摘要
自动化代理需要某种形式的目标和计划识别以在多代理环境中进行交互。不幸的是，所有现有的目标识别数据集都受制于由其生成系统所引发的系统性偏置，即基于启发式的前向搜索。这意味着现有数据集缺乏对更真实情景（例如使用不同规划器的代理）的足够挑战，这会影响其对目标识别器在使用相同目标的不同规划器进行评估的效果。本文提出了一种新方法，通过 top-k 规划为同一目标假设生成多个不同计划，从而产生缓解当前数据集中偏见的基准。我们引入了名为版本覆盖率分数（VCS）的新指标，用于衡量目标识别器在基于不同计划集合推断目标时的韧性。我们的结果表明，在低可见性设置下，当前最先进的目标识别器的韧性会显著下降。
引用
@article{arxiv.2602.14691,
title = {Removing Planner Bias in Goal Recognition Through Multi-Plan Dataset Generation},
author = {Mustafa F. Abdelwahed and Felipe Meneguzzi Kin Max Piamolini Gusmao and Joan Espasa},
journal= {arXiv preprint arXiv:2602.14691},
year = {2026}
}