从图像中无监督地接地可规划的一阶逻辑表示
人工智能
2019-03-28 v4 机器学习
摘要
近来，强化学习领域对获取环境的关系结构兴趣日增。然而，所得“关系”并非兼容于符号推理（如经典规划或目标识别）的离散逻辑谓词。与此同时，Latplan（Asai 和 Fukunaga 2018）弥合了深度学习感知系统与符号经典规划器之间的鸿沟。该系统的关键组件之一是一个称为状态自编码器（SAE）的神经网络，它将基于图像的输入编码为兼容经典规划的命题表示。为兼得二者之长，我们提出一阶状态自编码器，一种用于接地一阶逻辑谓词和事实的无监督架构。每个谓词通过接受可解释的参量并返还命题值来建模对象间的关系。在使用 8-Puzzle 和照片级真实 Blocksworld 环境的实验中，我们表明：（1）所得谓词捕获了可解释的关系（如空间关系），（2）它们有助于获取环境的紧凑抽象模型，并且最后（3）所得模型兼容于符号经典规划。
引用
@article{arxiv.1902.08093,
title = {Unsupervised Grounding of Plannable First-Order Logic Representation from Images},
author = {Masataro Asai},
journal= {arXiv preprint arXiv:1902.08093},
year = {2019}
}
备注
Accepted in 29th International Conference of Automated Planning and Scheduling (ICAPS-2019), Planning and Learning track