論文の概要: E-PDDL: A Standardized Way of Defining Epistemic Planning Problems
- arxiv url: http://arxiv.org/abs/2107.08739v1
- Date: Mon, 19 Jul 2021 10:20:20 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-20 22:30:19.891212
- Title: E-PDDL: A Standardized Way of Defining Epistemic Planning Problems
- Title(参考訳): E-PDDL: 疫学計画問題の標準化方法
- Authors: Francesco Fabiano, Biplav Srivastava, Jonathan Lenchner, Lior Horesh,
Francesca Rossi, Marianna Bergamaschi Ganapini
- Abstract要約: エピステミック・プランニング(EP: Epistemic Planning)とは、知識状態の空間においてエージェントが原因となる自動的な計画環境を指す。
本稿では,EP問題を特定する統一的な手法として,疫学計画ドメイン言語(EPDDL)を提案する。
本稿では,e-PDDLを主要なMEPプランナによってサポートでき,複数のプランナが処理できるMEP問題にMEP問題を変換する対応するコードを提供する。
- 参考スコア(独自算出の注目度): 11.381221864778976
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Epistemic Planning (EP) refers to an automated planning setting where the
agent reasons in the space of knowledge states and tries to find a plan to
reach a desirable state from the current state. Its general form, the
Multi-agent Epistemic Planning (MEP) problem involves multiple agents who need
to reason about both the state of the world and the information flow between
agents. In a MEP problem, multiple approaches have been developed recently with
varying restrictions, such as considering only the concept of knowledge while
not allowing the idea of belief, or not allowing for ``complex" modal operators
such as those needed to handle dynamic common knowledge. While the diversity of
approaches has led to a deeper understanding of the problem space, the lack of
a standardized way to specify MEP problems independently of solution approaches
has created difficulties in comparing performance of planners, identifying
promising techniques, exploring new strategies like ensemble methods, and
making it easy for new researchers to contribute to this research area. To
address the situation, we propose a unified way of specifying EP problems - the
Epistemic Planning Domain Definition Language, E-PDDL. We show that E-PPDL can
be supported by leading MEP planners and provide corresponding parser code that
translates EP problems specified in E-PDDL into (M)EP problems that can be
handled by several planners. This work is also useful in building more general
epistemic planning environments where we envision a meta-cognitive module that
takes a planning problem in E-PDDL, identifies and assesses some of its
features, and autonomously decides which planner is the best one to solve it.
- Abstract(参考訳): 認識計画(ep: epistemic planning)とは、エージェントが知識状態の領域で判断し、現在の状態から望ましい状態に到達する計画を見つけようとする自動計画設定を指す。
その一般的な形態であるMEP(Multi-agent Epistemic Planning)問題には、世界の状態とエージェント間の情報フローの両方を推論する必要がある複数のエージェントが含まれる。
MEP問題では、信念の考えを許さずに知識の概念のみを考えることや、動的共通知識を扱うために必要な「複雑な」モーダル作用素を許さないことなど、様々な制約を伴って複数のアプローチが近年開発されている。
アプローチの多様性は問題空間のより深い理解につながったが、ソリューションアプローチとは独立してmep問題を特定するための標準化された方法の欠如は、プランナーのパフォーマンスの比較、有望なテクニックの特定、アンサンブル法のような新しい戦略の探求、研究領域への新規研究者の貢献の容易化といった困難を生み出した。
本稿では,EP問題を特定する統一的な手法として,疫学計画ドメイン定義言語(E-PDDL)を提案する。
本稿では,E-PPDLを主要なMEPプランナによってサポートできることを示し,E-PDDLで指定されたEP問題を複数のプランナが処理可能な(M)EP問題に変換するパーサコードを提供する。
この研究は、E-PDDLの計画問題に対処するメタ認知モジュールを構想し、その特徴のいくつかを特定し評価し、どのプランナーがそれを解決するのに最適かを自律的に決定する、より一般的な疫学的計画環境の構築にも有用である。
関連論文リスト
- Ask-before-Plan: Proactive Language Agents for Real-World Planning [68.08024918064503]
プロアクティブエージェントプランニングでは、ユーザエージェントの会話とエージェント環境のインタラクションに基づいて、言語エージェントが明確化のニーズを予測する必要がある。
本稿では,明確化,実行,計画の3つのエージェントからなる新しいマルチエージェントフレームワーク,Clarification-Execution-Planning(textttCEP)を提案する。
論文 参考訳(メタデータ) (2024-06-18T14:07:28Z) - Contingency Planning Using Bi-level Markov Decision Processes for Space
Missions [16.62956274851929]
この研究は、科学ミッションのための自律的な緊急計画に焦点を当てている。
これは、名目上のミッション計画からの遅延や逸脱が発生した場合に、州空間の任意の非正規点からの迅速なポリシー計算を可能にする。
論文 参考訳(メタデータ) (2024-02-26T06:42:30Z) - 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) - AdaPlanner: Adaptive Planning from Feedback with Language Models [56.367020818139665]
大規模言語モデル(LLM)は、最近、シーケンシャルな意思決定タスクの自律的エージェントとして機能する可能性を実証している。
本研究では,LLMエージェントが環境フィードバックに応じて自己生成計画を適応的に改善することのできるクローズドループアプローチであるAdaPlannerを提案する。
幻覚を緩和するために,様々なタスク,環境,エージェント機能にまたがる計画生成を容易にするコードスタイルのLCMプロンプト構造を開発した。
論文 参考訳(メタデータ) (2023-05-26T05:52:27Z) - Multi-Objective Policy Gradients with Topological Constraints [108.10241442630289]
本稿では, PPOアルゴリズムの簡単な拡張により, TMDPにおけるポリシー勾配に対する新しいアルゴリズムを提案する。
シミュレーションと実ロボットの両方の目的を任意に並べた実世界の多目的ナビゲーション問題に対して,これを実証する。
論文 参考訳(メタデータ) (2022-09-15T07:22:58Z) - Proximal Reinforcement Learning: Efficient Off-Policy Evaluation in
Partially Observed Markov Decision Processes [65.91730154730905]
医療や教育などの観察データへのオフライン強化学習の適用においては、観察された行動は観測されていない要因に影響される可能性があるという一般的な懸念がある。
ここでは、部分的に観察されたマルコフ決定過程(POMDP)における非政治評価を考慮し、この問題に取り組む。
我々は、近位因果推論の枠組みをPOMDP設定に拡張し、識別が可能となる様々な設定を提供する。
論文 参考訳(メタデータ) (2021-10-28T17:46:14Z) - Comprehensive Multi-Agent Epistemic Planning [0.0]
この写本は、MEP(Multi-Adnt Epistemic Planning)として知られる特殊な計画に重点を置いている。
EPは、エージェントが知識/信任状態の空間で理由付けを行い、開始状態から望ましい状態に到達する計画を見つけようとする自動計画環境を指す。
その一般的な形であるMEP問題(英語版)は、世界の状態とエージェント間の情報の流れの両方を推論する必要がある複数のエージェントを含んでいる。
論文 参考訳(メタデータ) (2021-09-17T01:50:18Z) - On Solving a Stochastic Shortest-Path Markov Decision Process as
Probabilistic Inference [5.517104116168873]
本稿では,確率的推論として,SSP MDP(General Decision Shortest-Path Markov Process)を提案する。
我々は不確実性の下での計画のオンラインとオフラインの手法について議論する。
論文 参考訳(メタデータ) (2021-09-13T11:07:52Z) - Modelling Multi-Agent Epistemic Planning in ASP [66.76082318001976]
本稿では,マルチショット・アンサー・セット・プログラミング・ベース・プランナの実装について述べる。
本稿は, アドホックなエピステミック状態表現とASPソルバの効率を生かしたプランナーが, 文献から収集したベンチマークに対して, 競合的な性能を示すことを示す。
論文 参考訳(メタデータ) (2020-08-07T06:35:56Z) - Adaptive Informative Path Planning with Multimodal Sensing [36.16721115973077]
AIPPMS(マルチモーダルセンシング用MS)
AIPPMSを部分的に観測可能なマルコフ決定プロセス(POMDP)として、オンラインプランニングで解決する。
シミュレーションされた検索・救助シナリオと,従来のRockSample問題への挑戦的拡張の2つの領域について,本手法の評価を行った。
論文 参考訳(メタデータ) (2020-03-21T20:28:57Z)
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。