論文の概要: A Preliminary Case Study of Planning With Complex Transitions: Plotting
- arxiv url: http://arxiv.org/abs/2110.14397v1
- Date: Wed, 27 Oct 2021 12:52:17 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-28 22:00:53.601183
- Title: A Preliminary Case Study of Planning With Complex Transitions: Plotting
- Title（参考訳）: 複雑な変遷を伴う計画に関する予備的事例研究:プロット
- Authors: Jordi Coll, Joan Espasa, Ian Miguel, and Mateu Villaret
- Abstract要約: プロッティング』(Plotting)は、1989年にタイトーから発売されたパズルゲーム。
我々は,Plotting問題の制約モデルを提案し,評価する。
また,PDDLにおけるプロッティングのモデル化の困難さと非効率性についても論じる。
- 参考スコア（独自算出の注目度）: 3.3546257721153716
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Plotting is a tile-matching puzzle video game published by Taito in 1989. Its
objective is to reduce a given grid of coloured blocks down to a goal number or
fewer. This is achieved by the avatar character repeatedly shooting the block
it holds into the grid. Plotting is an example of a planning problem: given a
model of the environment, a planning problem asks us to find a sequence of
actions that can lead from an initial state of the environment to a given goal
state while respecting some constraints. The key difficulty in modelling
Plotting is in capturing the way the puzzle state changes after each shot. A
single shot can affect multiple tiles directly, and the grid is affected by
gravity so numerous other tiles can be affected indirectly. We present and
evaluate a constraint model of the Plotting problem that captures this
complexity. We also discuss the difficulties and inefficiencies of modelling
Plotting in PDDL, the standard language used for input to specialised AI
planners. We conclude by arguing that AI planning could benefit from a richer
modelling language.
- Abstract（参考訳）: プロット (プロット) は、1989年にタイトーが発売したパズルゲームである。
その目的は、与えられた色付きブロックのグリッドを目標数以下に減らすことである。
これは、グリッドに保持するブロックを繰り返し発射するアバターキャラクタによって達成される。
計画上の問題は、環境のモデルが与えられたら、いくつかの制約を尊重しながら、環境の初期状態から与えられた目標状態へと導く一連のアクションを見つけるように要求する。
プロットのモデル化における重要な難点は、各ショットの後にパズルの状態が変化する様子を捉えることである。
単発は複数のタイルに直接影響し、グリッドは重力の影響を受け、他の多くのタイルを間接的に影響させることができる。
この複雑性を捉えたプロット問題の制約モデルを提示し,評価する。
また,特定AIプランナへの入力に使用される標準言語PDDLにおけるPlottingのモデル化の困難さと非効率性についても論じる。
AIプランニングはよりリッチなモデリング言語から恩恵を受けることができる、と我々は結論付けている。
関連論文リスト
- GLACE: Global Local Accelerated Coordinate Encoding [66.87005863868181]
シーン座標回帰法は小規模なシーンでは有効であるが、大規模シーンでは重大な課題に直面している。
本研究では,事前学習したグローバルおよびローカルのエンコーディングを統合したGLACEを提案する。
提案手法は,低マップサイズモデルを用いて,大規模シーンにおける最先端結果を実現する。
論文 参考訳（メタデータ） (2024-06-06T17:59:50Z) - 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) - Towards a Model of Puzznic [1.4819845435373393]
ブロックの整合によってグリッドをクリアする動きのシーケンスをプレイヤーが計画する必要があるビデオゲームであるPuzznicのモデル化と解決の進歩について報告する。
少数のベンチマークインスタンスに対して,計画手法と3つの制約プログラミング手法を比較した。
現在、計画手法は制約プログラミング手法よりも優れているが、制約モデルを改善するための提案の概要を概説する。
論文 参考訳（メタデータ） (2023-10-02T18:00:59Z) - Challenges in Modelling and Solving Plotting with PDDL [1.289952230726233]
プロッティング』(Plotting)は、1989年にタイトーから発売されたパズルゲーム。
このゲームの目的は、ブロックを連続的にグリッドに発射することで、対象の色付きブロックをグリッドから除去することである。
PDDLでPlottingをモデル化する上での課題と,それを基盤とした最先端のプランナで解決する上での課題を強調した。
論文 参考訳（メタデータ） (2023-10-02T17:46:44Z) - DePlot: One-shot visual language reasoning by plot-to-table translation [50.28850068391312]
本稿では,視覚言語推論における最初のワンショットソリューションを提案する。
DePlotと名付けられたモダリティ変換モジュールは、プロットやチャートのイメージを線形化されたテーブルに変換する。
次に、DePlotの出力を直接使用して、事前訓練された大きな言語モデルをプロンプトすることができる。
論文 参考訳（メタデータ） (2022-12-20T18:20:50Z) - Sequential Manipulation Planning on Scene Graph [90.28117916077073]
我々は,効率的な逐次タスク計画のための3次元シーングラフ表現であるコンタクトグラフ+(cg+)を考案する。
ゴール設定は、自然にコンタクトグラフに指定され、最適化法を用いて遺伝的アルゴリズムによって作成することができる。
次に、初期接触グラフと目標設定との間のグラフ編集距離(GED)を計算してタスクプランを簡潔化し、ロボット動作に対応するグラフ編集操作を生成する。
論文 参考訳（メタデータ） (2022-07-10T02:01:33Z) - Visual SLAM with Graph-Cut Optimized Multi-Plane Reconstruction [11.215334675788952]
本稿では,インスタンス平面セグメンテーションネットワークからのキューを用いたポーズ推定とマッピングを改善する意味平面SLAMシステムを提案する。
メインストリームのアプローチはRGB-Dセンサーを使用するが、そのようなシステムを備えた単眼カメラを使うことは、ロバストデータアソシエーションや正確な幾何モデルフィッティングといった課題に直面している。
論文 参考訳（メタデータ） (2021-08-09T18:16:08Z) - Planning with Learned Object Importance in Large Problem Instances using
Graph Neural Networks [28.488201307961624]
現実の計画問題は、数百から数千ものオブジェクトを巻き込むことが多い。
単一推論パスにおけるオブジェクトの重要性を予測するためのグラフニューラルネットワークアーキテクチャを提案する。
提案手法では,プランナと遷移モデルをブラックボックスとして扱い,既製のプランナで使用することができる。
論文 参考訳（メタデータ） (2020-09-11T18:55:08Z) - TilinGNN: Learning to Tile with Self-Supervised Graph Neural Network [53.64132784328536]
タイリング問題の古典的な事例を解決するための,最初のニューラルネットワーク最適化フレームワークを紹介する。
すなわち、1種類以上のタイルを用いて任意の2次元形状の非周期的タイリングを求める。
我々はTilinGNNというグラフ畳み込みニューラルネットワークを構築し、グラフエッジ上の機能を段階的に伝播し集約する。
論文 参考訳（メタデータ） (2020-07-05T10:06:06Z) - Deep Visual Reasoning: Learning to Predict Action Sequences for Task and
Motion Planning from an Initial Scene Image [43.05971157389743]
本稿では,タスク・アンド・モーション・プランニング(TAMP)の動作シーケンスを初期シーン画像から予測する深部畳み込みリカレントニューラルネットワークを提案する。
重要な側面として、我々の手法は、一度に2つのオブジェクトでしか訓練されないにもかかわらず、多数の異なるオブジェクトを持つシーンに一般化する。
論文 参考訳（メタデータ） (2020-06-09T16:52:02Z) - Hallucinative Topological Memory for Zero-Shot Visual Planning [86.20780756832502]
視覚計画(VP)では、エージェントは、オフラインで取得した動的システムの観察から目標指向の振る舞いを計画することを学ぶ。
以前のVPに関するほとんどの研究は、学習された潜在空間で計画することでこの問題にアプローチし、結果として品質の低い視覚計画を生み出した。
本稿では,画像空間を直接計画し,競合性能を示すシンプルなVP手法を提案する。
論文 参考訳（メタデータ） (2020-02-27T18:54:42Z)
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。