論文の概要: Planning Landmark Based Goal Recognition Revisited: Does Using Initial State Landmarks Make Sense?

• arxiv url: http://arxiv.org/abs/2306.15362v2
• Date: Fri, 10 Nov 2023 09:44:04 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-13 18:05:07.876430
• Title: Planning Landmark Based Goal Recognition Revisited: Does Using Initial State Landmarks Make Sense?
• Title（参考訳）: ランドマークに基づくゴール認識の計画:初期状態ランドマークの使用は意味を成すか?
• Authors: Nils Wilken and Lea Cohausz and Christian Bartelt and Heiner Stuckenschmidt
• Abstract要約: 本稿では,計画的ランドマークに基づく目標認識手法において,初期状態の一部であるランドマークを使用するメリットがないことを示す。 実験結果から,目標認識のための初期状態のランドマークを省略することで,目標認識性能が向上することが示された。
• 参考スコア（独自算出の注目度）: 9.107782510356989
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Goal recognition is an important problem in many application domains (e.g., pervasive computing, intrusion detection, computer games, etc.). In many application scenarios, it is important that goal recognition algorithms can recognize goals of an observed agent as fast as possible. However, many early approaches in the area of Plan Recognition As Planning, require quite large amounts of computation time to calculate a solution. Mainly to address this issue, recently, Pereira et al. developed an approach that is based on planning landmarks and is much more computationally efficient than previous approaches. However, the approach, as proposed by Pereira et al., also uses trivial landmarks (i.e., facts that are part of the initial state and goal description are landmarks by definition). In this paper, we show that it does not provide any benefit to use landmarks that are part of the initial state in a planning landmark based goal recognition approach. The empirical results show that omitting initial state landmarks for goal recognition improves goal recognition performance.
• Abstract（参考訳）: ゴール認識は多くのアプリケーション領域(例えば、広範コンピューティング、侵入検出、コンピュータゲームなど)において重要な問題である。 多くのアプリケーションシナリオにおいて、ゴール認識アルゴリズムは観測エージェントの目標をできるだけ早く認識できることが重要である。 しかしながら、計画認識の分野における多くの初期のアプローチは、解を計算するのに非常に大量の計算時間を必要とする。 主にこの問題に対処するため、Pereiraらは最近、計画的なランドマークに基づくアプローチを開発し、以前のアプローチよりもはるかに計算効率が良い。 しかしながら、pereiraらによって提案されたこのアプローチは、自明なランドマーク(すなわち、初期状態と目標記述の一部である事実は定義上ランドマーク)も使用する。 本稿では,計画用ランドマークベースの目標認識手法において,初期状態の一部であるランドマークを使用するメリットは認められないことを示す。 その結果,初期状態ランドマークを省略することで目標認識性能が向上することがわかった。

関連論文リスト

• Relevance Score: A Landmark-Like Heuristic for Planning [9.912614726055129]
  我々は、特定の目標を達成するための計画がすべてではないが、ほとんどに現れる事実や行動を特定するのに役立つ新しい「関連スコア」を定義します。 我々は,提案手法の性能と,ベンチマーク計画問題を用いた画期的な計画手法の状況とを実験的に比較した。
  論文  参考訳（メタデータ） (2024-03-12T10:45:45Z)
• Deep Homography Estimation for Visual Place Recognition [49.235432979736395]
  本稿では,変換器を用いたディープホモグラフィー推定(DHE)ネットワークを提案する。 バックボーンネットワークによって抽出された濃密な特徴写像を入力とし、高速で学習可能な幾何的検証のためにホモグラフィーに適合する。 ベンチマークデータセットを用いた実験により,本手法はいくつかの最先端手法より優れていることが示された。
  論文  参考訳（メタデータ） (2024-02-25T13:22:17Z)
• HIQL: Offline Goal-Conditioned RL with Latent States as Actions [81.67963770528753]
  オフラインデータからゴール条件付きRLの階層的アルゴリズムを提案する。 この階層的な分解によって、推定値関数のノイズに頑健になることを示す。 提案手法は,従来の手法を巧みに操り,高次元画像観察にスケールできるとともに,アクションフリーなデータを容易に利用することができる。
  論文  参考訳（メタデータ） (2023-07-22T00:17:36Z)
• Leveraging Planning Landmarks for Hybrid Online Goal Recognition [7.690707525070737]
  本稿では,象徴的な計画的ランドマークに基づくアプローチとデータ駆動型目標認識アプローチを組み合わせた,オンライン目標認識のためのハイブリッド手法を提案する。 提案手法は最先端技術よりも計算時間をはるかに効率よくするが,目標認識性能も向上する。
  論文  参考訳（メタデータ） (2023-01-25T13:21:30Z)
• Goal Recognition as a Deep Learning Task: the GRNet Approach [0.0]
  自動計画において、観察の痕跡からエージェントのゴールを認識することは、多くのアプリケーションにとって重要な課題である。 本稿では,機械学習によって対処される分類課題としてゴール認識を定式化する手法について検討する。 GRNetと呼ばれる私たちのアプローチは、主に、特定のドメインでそれを解決する方法を学ぶことによって、ゴール認識をより正確かつ高速にすることを目的としています。
  論文  参考訳（メタデータ） (2022-10-05T16:42:48Z)
• SASA: Semantics-Augmented Set Abstraction for Point-based 3D Object Detection [78.90102636266276]
  SASA(Semantics-Augmented Set Abstraction)と呼ばれる新しい集合抽象化手法を提案する。 そこで本研究では, 推定点前景スコアに基づいて, より重要な前景点の維持を支援するセマンティックス誘導点サンプリングアルゴリズムを提案する。 実際には、SASAは、前景オブジェクトに関連する貴重な点を識別し、ポイントベースの3D検出のための特徴学習を改善するのに有効である。
  論文  参考訳（メタデータ） (2022-01-06T08:54:47Z)
• C-Planning: An Automatic Curriculum for Learning Goal-Reaching Tasks [133.40619754674066]
  ゴール条件強化学習は、ナビゲーションや操作を含む幅広い領域のタスクを解決できる。 本研究では,学習時間における探索を用いて,中間状態を自動生成する遠隔目標獲得タスクを提案する。 E-stepはグラフ検索を用いて最適な経路点列を計画することに対応し、M-stepはそれらの経路点に到達するための目標条件付きポリシーを学習することを目的としている。
  論文  参考訳（メタデータ） (2021-10-22T22:05:31Z)
• Rethinking Counting and Localization in Crowds:A Purely Point-Based Framework [59.578339075658995]
  そこで本稿では,共同クラウドカウントと個別ローカライゼーションのための純粋にポイントベースのフレームワークを提案する。 我々は、P2PNet(Point to Point Network)と呼ばれる、このフレームワークの下で直感的なソリューションを設計する。
  論文  参考訳（メタデータ） (2021-07-27T11:41:50Z)
• Class agnostic moving target detection by color and location prediction of moving area [11.326363150470204]
  移動目標検出はコンピュータビジョンにおいて重要な役割を果たす。 ディープラーニングベースの畳み込みニューラルネットワークのような最近のアルゴリズムは、高精度でリアルタイムのパフォーマンスを実現している。 モデル自由移動目標検出アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-06-24T12:34:58Z)
• A Self-Training Approach for Point-Supervised Object Detection and Counting in Crowds [54.73161039445703]
  本稿では,ポイントレベルのアノテーションのみを用いて訓練された典型的なオブジェクト検出を可能にする,新たな自己学習手法を提案する。 トレーニング中、利用可能なポイントアノテーションを使用して、オブジェクトの中心点の推定を監督する。 実験の結果,本手法は検出タスクとカウントタスクの両方において,最先端のポイント管理手法よりも有意に優れていた。
  論文  参考訳（メタデータ） (2020-07-25T02:14:42Z)
• The More the Merrier?! Evaluating the Effect of Landmark Extraction Algorithms on Landmark-Based Goal Recognition [25.6019435583572]
  古典的計画領域を用いた目標認識と計画認識への近年のアプローチは、認識時間と精度の両面から、技術結果の状態を達成している。 このような高速な認識時間を達成するために、これらの手法は効率的だが不完全であり、ドメインや問題を計画するためのランドマークのサブセットだけを抽出するアルゴリズムを使用する。 本稿では,各計画問題に対して,ランドマークの大部分を抽出できる種々のランドマーク抽出アルゴリズムを用いることによる影響と効果について検討する。
  論文  参考訳（メタデータ） (2020-05-06T17:41:19Z)

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。