論文の概要: An Efficient HTN to STRIPS Encoding for Concurrent Plans
- arxiv url: http://arxiv.org/abs/2206.07084v1
- Date: Tue, 14 Jun 2022 18:18:22 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-16 14:18:56.989039
- Title: An Efficient HTN to STRIPS Encoding for Concurrent Plans
- Title(参考訳): 並行計画のためのSTRIPS符号化のための効率的なHTN
- Authors: N. Cavrel, D. Pellier, H. Fiorino
- Abstract要約: STRIPSエンコーディングに新たなHTNを提案する。
提案手法は,階層型IPCベンチマークにおける従来の手法よりも優れていることを示す。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The Hierarchical Task Network (HTN) formalism is used to express a wide
variety of planning problems in terms of decompositions of tasks into subtaks.
Many techniques have been proposed to solve such hierarchical planning
problems. A particular technique is to encode hierarchical planning problems as
classical STRIPS planning problems. One advantage of this technique is to
benefit directly from the constant improvements made by STRIPS planners.
However, there are still few effective and expressive encodings. In this paper,
we present a new HTN to STRIPS encoding allowing to generate concurrent plans.
We show experimentally that this encoding outperforms previous approaches on
hierarchical IPC benchmarks.
- Abstract(参考訳): 階層型タスクネットワーク(HTN)形式は、タスクをサブタスクに分解するという点で、幅広い計画問題を表現するために用いられる。
このような階層的な計画問題を解くために多くの技術が提案されている。
特に、階層的計画問題を古典的STRIPS計画問題として符号化する手法がある。
この手法の利点の1つは、STRIPSプランナーによる継続的な改善の恩恵を直接受けることである。
しかし、効果的な表現力のあるエンコーディングはまだ少ない。
本稿では,並列プラン生成を可能にする新しいhtn to stripsエンコーディングを提案する。
このエンコーディングが階層型ipcベンチマークの従来のアプローチを上回っていることを実験的に示す。
関連論文リスト
- Learning Logic Specifications for Policy Guidance in POMDPs: an
Inductive Logic Programming Approach [57.788675205519986]
我々は任意の解法によって生成されるPOMDP実行から高品質なトレースを学習する。
我々は、データと時間効率のIndu Logic Programming(ILP)を利用して、解釈可能な信念に基づくポリシー仕様を生成する。
ASP(Answer Set Programming)で表現された学習は、ニューラルネットワークよりも優れた性能を示し、より少ない計算時間で最適な手作りタスクに類似していることを示す。
論文 参考訳(メタデータ) (2024-02-29T15:36:01Z) - Simple Hierarchical Planning with Diffusion [54.48129192534653]
拡散に基づく生成法は、オフラインデータセットによる軌跡のモデリングに有効であることが証明されている。
階層型および拡散型プランニングの利点を組み合わせた高速かつ驚くほど効果的な計画手法である階層型ディフューザを導入する。
我々のモデルは、より高いレベルで「ジャンピー」な計画戦略を採用しており、より大きな受容場を持つことができるが、計算コストは低い。
論文 参考訳(メタデータ) (2024-01-05T05:28:40Z) - 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) - Edge Generation Scheduling for DAG Tasks Using Deep Reinforcement
Learning [2.365237699556817]
直接非巡回グラフ(DAG)タスクは現在、複雑なアプリケーションをモデル化するためにリアルタイムドメインで採用されている。
エッジを反復的に生成することでDAG幅を最小化する新しいDAGスケジューリングフレームワークを提案する。
我々は,提案アルゴリズムの有効性を,最先端DAGスケジューリングと最適混合整数線形プログラミングベースラインとの比較により評価した。
論文 参考訳(メタデータ) (2023-08-28T15:19:18Z) - Job Shop Scheduling via Deep Reinforcement Learning: a Sequence to
Sequence approach [0.0]
本稿では,分散ルールを自動的に学習するスケジューリングに対して,エンドツーエンドのDeep Reinforcement Learningアプローチを提案する。
我々は、優先順位付けルールを利用した古典的アプローチの多くを上回り、最先端のDeep Reinforcement Learning(Deep Reinforcement Learning)における競争結果を示す。
論文 参考訳(メタデータ) (2023-08-03T14:52:17Z) - 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) - HyperTensioN and Total-order Forward Decomposition optimizations [26.665468404059354]
階層型タスクネットワーク(HTN)プランナーは、余分なドメイン知識を持つ分解プロセスを使用して、計画タスクへの探索をガイドするプランを生成する。
ドメインの専門家はHTN記述を開発し、同じ前提条件や、ほとんど使われないし分解できない方法を繰り返し記述することができる。
3段階のコンパイラ設計を活用することで、より多くの言語記述や前処理の最適化を容易にサポートできます。
論文 参考訳(メタデータ) (2022-07-01T11:23:52Z) - Procedures as Programs: Hierarchical Control of Situated Agents through
Natural Language [81.73820295186727]
エージェント命令と制御のための階層的な手続き的知識を表現する強力な手法である,プログラムとしての手続きの形式化を提案する。
NL命令に対するIQAおよびALFREDデータセット上で、このフレームワークをインスタンス化する。
論文 参考訳(メタデータ) (2021-09-16T20:36:21Z) - Learning to Schedule DAG Tasks [7.577417675452624]
有向非周期グラフ(DAG)のスケジューリングに関する新しい学習手法を提案する。
このアルゴリズムは強化学習エージェントを用いて、DAGに向けられたエッジを反復的に追加する。
我々の手法は既存のスケジューリングアルゴリズムにも容易に適用できる。
論文 参考訳(メタデータ) (2021-03-05T01:10:24Z) - 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。