无淡化扩张：面向RL通用规划的目标感知稀疏图神经网络
人工智能
2025-11-11 v3 机器人学
摘要
使用深度强化学习(RL)结合图神经网络(GNNs)的通用规划已在Various符号规划领域中取得良好结果，典型问题描述为PDDL。然而，现有方法通常将规划状态表示为完全连接图，随问题规模扩大，尤其在大型网格环境中，导致边信息呈组合爆炸且稀疏性显著增加。这种稠密表示会稀释节点级信息，指数级增加内存需求，最终使更大规模的问题难以学习。为解决这些挑战，我们提出一种稀疏、目标感知GNN表示，选择性地编码相关的局部关系，并显式集成与目标相关的空间特征。我们通过设计基于PDDL的网格世界中的新型无人机任务场景，有效模拟了真实的任务执行环境。我们的实验结果表明，所提方法能够有效扩展至以前使用稠密图表示不可行的更大网格尺寸，显著改善了策略的泛化能力和成功率。我们的发现为解决现实、大规模通用规划任务提供了实用基础。
引用
@article{arxiv.2508.10747,
title = {Scaling Up without Fading Out: Goal-Aware Sparse GNN for RL-based Generalized Planning},
author = {Sangwoo Jeon and Juchul Shin and Gyeong-Tae Kim and YeonJe Cho and Seongwoo Kim},
journal= {arXiv preprint arXiv:2508.10747},
year = {2025}
}
备注
Accepted for publication in International Journal of Control, Automation, and Systems (IJCAS). The Version of Record is available via the publisher