論文の概要: STRIPS Action Discovery

• arxiv url: http://arxiv.org/abs/2001.11457v3
• Date: Fri, 5 Mar 2021 10:37:52 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-05 12:21:58.417152
• Title: STRIPS Action Discovery
• Title（参考訳）: stripsアクションディスカバリー
• Authors: Alejandro Su\'arez-Hern\'andez and Javier Segovia-Aguas and Carme Torras and Guillem Aleny\`a
• Abstract要約: 近年のアプローチでは、すべての中間状態が欠如している場合でも、アクションモデルを合成する古典的な計画が成功している。 アクションシグネチャが不明な場合に,従来のプランナーを用いてSTRIPSアクションモデルを教師なしで合成するアルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 67.73368413278631
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The problem of specifying high-level knowledge bases for planning becomes a hard task in realistic environments. This knowledge is usually handcrafted and is hard to keep updated, even for system experts. Recent approaches have shown the success of classical planning at synthesizing action models even when all intermediate states are missing. These approaches can synthesize action schemas in Planning Domain Definition Language (PDDL) from a set of execution traces each consisting, at least, of an initial and final state. In this paper, we propose a new algorithm to unsupervisedly synthesize STRIPS action models with a classical planner when action signatures are unknown. In addition, we contribute with a compilation to classical planning that mitigates the problem of learning static predicates in the action model preconditions, exploits the capabilities of SAT planners with parallel encodings to compute action schemas and validate all instances. Our system is flexible in that it supports the inclusion of partial input information that may speed up the search. We show through several experiments how learned action models generalize over unseen planning instances.
• Abstract（参考訳）: 計画のための高水準の知識ベースを特定する問題は、現実の環境では難しい課題となる。 この知識は通常手作りで、システムの専門家でさえ更新を続けるのは難しい。 近年のアプローチでは、すべての中間状態が失われても、アクションモデルを合成する古典的な計画が成功している。 これらのアプローチは、少なくとも初期状態と最終状態からなる一連の実行トレースから、計画ドメイン定義言語(pddl)におけるアクションスキーマを合成することができる。 本稿では,アクションシグネチャが不明な場合に,従来のプランナを用いてSTRIPSアクションモデルを教師なしで合成するアルゴリズムを提案する。 さらに,アクションモデルの前提条件で静的述語を学習する問題を軽減し,satプランナーと並列エンコーディングの機能を活用し,アクションスキーマの計算とすべてのインスタンスの検証を行う,古典的な計画にコントリビュートする。 私たちのシステムは、検索をスピードアップさせる部分的な入力情報を包含するという点で柔軟です。 学習したアクションモデルを、目に見えないプランニングインスタンス上で一般化する方法を示す。

関連論文リスト

• Safe Learning of PDDL Domains with Conditional Effects -- Extended Version [27.05167679870857]
  実験されたほとんどの領域において、条件付きSAMはテストセット問題のほとんどを完璧に解くのに利用できることを示す。 この結果から,Conditional-SAMで学習したアクションモデルを用いて,テストセット問題を完全に解決できることが示唆された。
  論文  参考訳（メタデータ） (2024-03-22T14:49:49Z)
• PARADISE: Evaluating Implicit Planning Skills of Language Models with Procedural Warnings and Tips Dataset [0.0]
  PARADISE は,wikiHow をベースとした実践的な手続きテキスト上で,Q&A 形式を用いた帰納的推論タスクである。 計画の暗黙的な知識を与えられた目標からのみ推論するモデルの能力をテストすることを目的として、中間的なステップを除く、目標に直接関連した警告およびヒント推論タスクを含む。 我々の実験は、微調整言語モデルとゼロショットプロンプトを利用して、ほとんどのシナリオにおいて、大規模言語モデルに対するタスク固有小モデルの有効性を明らかにした。
  論文  参考訳（メタデータ） (2024-03-05T18:01:59Z)
• LLM-Assist: Enhancing Closed-Loop Planning with Language-Based Reasoning [65.86754998249224]
  従来のルールベースプランナとLCMベースのプランナを併用した,新しいハイブリッドプランナを開発した。 当社のアプローチでは,既存のプランナが苦労する複雑なシナリオをナビゲートし,合理的なアウトプットを生成すると同時に,ルールベースのアプローチと連携して作業する。
  論文  参考訳（メタデータ） (2023-12-30T02:53:45Z)
• Planning as In-Painting: A Diffusion-Based Embodied Task Planning Framework for Environments under Uncertainty [56.30846158280031]
  具体的AIのためのタスクプランニングは、最も難しい問題の1つだ。 In-paintingとしての計画」というタスク非依存の手法を提案する。 提案するフレームワークは,様々な具体的AIタスクにおいて,有望なパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2023-12-02T10:07:17Z)
• Skip-Plan: Procedure Planning in Instructional Videos via Condensed Action Space Learning [85.84504287685884]
  Skip-Plan(スキップ・プラン)は、訓練ビデオにおけるプロシージャ計画のための凝縮された行動空間学習法である。 アクションチェーン内の不確実なノードやエッジをスキップすることで、長いシーケンス関数と複雑なシーケンス関数を短いが信頼できるものに転送する。 我々のモデルは、凝縮された作用空間内のアクションシーケンス内で、あらゆる種類の信頼できる部分関係を探索する。
  論文  参考訳（メタデータ） (2023-10-01T08:02:33Z)
• Lifted Sequential Planning with Lazy Constraint Generation Solvers [28.405198103927955]
  本稿では,Lzy Clause Generation(LCG)に基づく制約プログラミング(CP)へのアプローチを用いて,オープンな可能性について検討する。 本稿では,いわゆるリフト型因果エンコーディングに基づく新しいCPモデルを提案する。 提案手法は,計画手順の少ない計画インスタンスに対して,最適な逐次計画における最先端の手法と非常によく比較可能であることを報告する。
  論文  参考訳（メタデータ） (2023-07-17T04:54:58Z)
• PlaSma: Making Small Language Models Better Procedural Knowledge Models for (Counterfactual) Planning [77.03847056008598]
  PlaSmaは、手続き的な知識と(制約のある)言語計画能力を持つ小さな言語モデルを実現するための、新しい2段階のアプローチである。 我々は,小言語モデルにおけるコモンセンス知識を高めるための記号的手続き的知識蒸留法と,より構造化された正確な推論を容易にする推論時アルゴリズムを開発する。
  論文  参考訳（メタデータ） (2023-05-31T00:55:40Z)
• Hierarchical Imitation Learning with Vector Quantized Models [77.67190661002691]
  我々は,専門家の軌跡におけるサブゴールの同定に強化学習を用いることを提案する。 同定されたサブゴールに対するベクトル量子化生成モデルを構築し,サブゴールレベルの計画を行う。 実験では、このアルゴリズムは複雑な長い水平決定問題の解法に優れ、最先端のアルゴリズムよりも優れている。
  論文  参考訳（メタデータ） (2023-01-30T15:04:39Z)
• Position Paper: Online Modeling for Offline Planning [2.8326418377665346]
  AI計画研究の重要な部分はアクションモデルの表現である。 この分野の成熟にもかかわらず、AI計画技術は研究コミュニティの外ではめったに使われない。 これは、モデリングプロセスが計画プロセスの前に行われ、完了したと仮定されているためである、と我々は主張する。
  論文  参考訳（メタデータ） (2022-06-07T14:48:08Z)
• Deliberative Acting, Online Planning and Learning with Hierarchical Operational Models [5.597986898418404]
  AI研究では、アクションの計画は通常、アクションの結果として起こる可能性のあることを抽象的に特定するアクションの記述モデルを使用してきた。 計画されたアクションの実行には、リッチな計算制御構造とクローズドループオンライン意思決定を使用する運用モデルが必要である。 我々は、計画と行動の両方が同じ運用モデルを使用する統合された行動計画システムを実装している。
  論文  参考訳（メタデータ） (2020-10-02T14:50:05Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。