論文の概要: Adversarial Plannning
- arxiv url: http://arxiv.org/abs/2205.00566v1
- Date: Sun, 1 May 2022 21:43:06 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-03 16:07:55.495234
- Title: Adversarial Plannning
- Title（参考訳）: 対訳 プランニング
- Authors: Valentin Vie, Ryan Sheatsley, Sophia Beyda, Sushrut Shringarputale,
Kevin Chan, Trent Jaeger, Patrick McDaniel
- Abstract要約: 計画アルゴリズムは、自律的な振舞いを指示するために計算システムで使用される。
このようなアルゴリズムが、プランナーを阻止しようとする敵に対してどのように機能するかは不明だ。
- 参考スコア（独自算出の注目度）: 8.930624061602046
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Planning algorithms are used in computational systems to direct autonomous
behavior. In a canonical application, for example, planning for autonomous
vehicles is used to automate the static or continuous planning towards
performance, resource management, or functional goals (e.g., arriving at the
destination, managing fuel fuel consumption). Existing planning algorithms
assume non-adversarial settings; a least-cost plan is developed based on
available environmental information (i.e., the input instance). Yet, it is
unclear how such algorithms will perform in the face of adversaries attempting
to thwart the planner. In this paper, we explore the security of planning
algorithms used in cyber- and cyber-physical systems. We present two
$\textit{adversarial planning}$ algorithms-one static and one adaptive-that
perturb input planning instances to maximize cost (often substantially so). We
evaluate the performance of the algorithms against two dominant planning
algorithms used in commercial applications (D* Lite and Fast Downward) and show
both are vulnerable to extremely limited adversarial action. Here, experiments
show that an adversary is able to increase plan costs in 66.9% of instances by
only removing a single action from the actions space (D* Lite) and render 70%
of instances from an international planning competition unsolvable by removing
only three actions (Fast Forward). Finally, we show that finding an optimal
perturbation in any search-based planning system is NP-hard.
- Abstract（参考訳）: 計画アルゴリズムは計算システムにおいて自律的な振る舞いを指示するために用いられる。
例えば、標準的なアプリケーションでは、自動運転車の計画は、パフォーマンス、資源管理、機能目標(目的地に到着し、燃料消費を管理するなど)に向けた静的または連続的な計画を自動化するために使用される。
既存の計画アルゴリズムは非敵の設定を前提としており、利用可能な環境情報(例えば入力インスタンス)に基づいて最小コストの計画を開発する。
しかし、このようなアルゴリズムがプランナーを妨害しようとする敵に対してどのように機能するかは不明だ。
本稿では,サイバーおよびサイバー物理システムで使用される計画アルゴリズムの安全性について検討する。
2つの$\textit{adversarial planning}$ algorithms-one static と one adaptive-that perturb input planning instance を提示し、コストを最大化します。
商用アプリケーションで使用される2つの支配的計画アルゴリズム(d* liteとfast downward)に対するアルゴリズムの性能を評価し,両者が極めて限られた敵行動に弱いことを示した。
ここでは、敵がアクション空間(d* lite)から1つのアクションだけを取り除いて66.9%のインスタンスで計画コストを増加させ、国際計画競技会から70%のインスタンスを3つのアクション(ファストフォワード)だけを取り除いて解決できないようにする実験が行われている。
最後に,探索型計画システムにおける最適摂動の探索はnp-hardであることを示す。
関連論文リスト
- Decision-Focused Learning to Predict Action Costs for Planning [6.729103498871947]
決定焦点学習(DFL)は最適化問題のパラメータを予測する学習に成功している。
本稿では, 自動計画のためのDFL導入の課題について検討し, アクションコストの予測について考察する。
論文 参考訳（メタデータ） (2024-08-13T13:14:54Z) - 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) - AI planning in the imagination: High-level planning on learned abstract
search spaces [68.75684174531962]
我々は,エージェントが訓練中に学習する抽象的な検索空間において,エージェントが計画することを可能にする,PiZeroと呼ばれる新しい手法を提案する。
本研究では,旅行セールスマン問題,ソコバン問題,2048年,施設立地問題,パックマン問題など,複数の分野で評価を行った。
論文 参考訳（メタデータ） (2023-08-16T22:47:16Z) - On efficient computation in active inference [1.1470070927586016]
計算量を大幅に減らした有限時間地平線に対する新しい計画アルゴリズムを提案する。
また、新規かつ既存のアクティブな推論計画スキームに対して適切な目標分布を設定するプロセスを簡単にする。
論文 参考訳（メタデータ） (2023-07-02T07:38:56Z) - TransPath: Learning Heuristics For Grid-Based Pathfinding via
Transformers [64.88759709443819]
探索の効率を顕著に向上させると考えられる,インスタンス依存のプロキシを学習することを提案する。
私たちが最初に学ぶことを提案するプロキシは、補正係数、すなわち、インスタンスに依存しないコスト・ツー・ゴの見積もりと完璧な見積もりの比率である。
第2のプロキシはパス確率であり、グリッドセルが最も短いパスに横たわっている可能性を示している。
論文 参考訳（メタデータ） (2022-12-22T14:26:11Z) - Achieving mouse-level strategic evasion performance using real-time
computational planning [59.60094442546867]
計画とは、脳が想像し、予測可能な未来を成立させる特別な能力である。
我々は,動物の生態が空間計画の価値をどのように支配するかという研究に基づいて,より効率的な生物学的に着想を得た計画アルゴリズムであるTLPPOを開発した。
TLPPOを用いたリアルタイムエージェントの性能とライブマウスの性能を比較し,ロボット捕食者を避けることを課題とする。
論文 参考訳（メタデータ） (2022-11-04T18:34:36Z) - Sequence-Based Plan Feasibility Prediction for Efficient Task and Motion
Planning [36.300564378022315]
本稿では,移動環境における移動操作問題を解決するための学習可能なタスク・アンド・モーション・プランニング(TAMP)アルゴリズムを提案する。
本アルゴリズムのコアは,タスク計画,目標,初期状態を考慮したトランスフォーマーに基づく新しい学習手法であるPIGINetであり,タスク計画に関連する運動軌跡の発見確率を予測する。
論文 参考訳（メタデータ） (2022-11-03T04:12:04Z) - Representation, learning, and planning algorithms for geometric task and
motion planning [24.862289058632186]
幾何学的課題と運動計画(GTAMP)を導くための学習フレームワークを提案する。
GTAMPはタスクと動作計画のサブクラスであり、複数の物体を可動障害物内の対象領域に移動させることが目的である。
GTAMP問題には、ハイブリッド検索空間と高価なアクション実現可能性チェックが含まれるため、標準グラフ探索アルゴリズムは直接適用されない。
論文 参考訳（メタデータ） (2022-03-09T09:47:01Z) - Visual scoping operations for physical assembly [0.0]
本稿では,次のサブゴールとして空間領域を交互に定義することで,計画と行動のインターリーブを行う視覚スコープを提案する。
ビジュアルスコーピングは,計算コストのごく一部しか必要とせず,サブゴールプランナーに匹敵するタスク性能を実現する。
論文 参考訳（メタデータ） (2021-06-10T10:50:35Z) - Divide-and-Conquer Monte Carlo Tree Search For Goal-Directed Planning [78.65083326918351]
暗黙的な逐次計画の仮定に代わるものを検討する。
本稿では,最適計画の近似を行うため,Divide-and-Conquer Monte Carlo Tree Search (DC-MCTS)を提案する。
計画順序に対するこのアルゴリズム的柔軟性は,グリッドワールドにおけるナビゲーションタスクの改善に繋がることを示す。
論文 参考訳（メタデータ） (2020-04-23T18:08:58Z) - STRIPS Action Discovery [67.73368413278631]
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。
論文 参考訳（メタデータ） (2020-01-30T17:08:39Z)
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。