論文の概要: Novelty and Lifted Helpful Actions in Generalized Planning
- arxiv url: http://arxiv.org/abs/2307.00735v1
- Date: Mon, 3 Jul 2023 03:44:12 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-05 14:26:39.766231
- Title: Novelty and Lifted Helpful Actions in Generalized Planning
- Title(参考訳): 一般計画における新規で自由な援助行動
- Authors: Chao Lei, Nir Lipovetzky, Krista A. Ehinger
- Abstract要約: 本稿では,計画プログラムに関する新規性を計算するアクションノベルティランクの概念を紹介する。
本稿では,新たな計画計画プログラムを創発する新規性に基づく一般化計画解法を提案する。
- 参考スコア(独自算出の注目度): 14.513354207511151
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: It has been shown recently that successful techniques in classical planning,
such as goal-oriented heuristics and landmarks, can improve the ability to
compute planning programs for generalized planning (GP) problems. In this work,
we introduce the notion of action novelty rank, which computes novelty with
respect to a planning program, and propose novelty-based generalized planning
solvers, which prune a newly generated planning program if its most frequent
action repetition is greater than a given bound $v$, implemented by
novelty-based best-first search BFS($v$) and its progressive variant PGP($v$).
Besides, we introduce lifted helpful actions in GP derived from action schemes,
and propose new evaluation functions and structural program restrictions to
scale up the search. Our experiments show that the new algorithms BFS($v$) and
PGP($v$) outperform the state-of-the-art in GP over the standard generalized
planning benchmarks. Practical findings on the above-mentioned methods in
generalized planning are briefly discussed.
- Abstract(参考訳): 近年、ゴール指向のヒューリスティックスやランドマークといった古典的計画における成功技術は、汎用計画(GP)問題に対する計画プログラムの計算能力を向上させることが示されている。
本稿では,計画プログラムに関する新規性を計算するアクションノベルティランクの概念を導入し,最も頻繁なアクション繰り返しが与えられた有界$v$よりも大きい場合,新たに生成された計画プログラムを誘発する,新規性に基づく汎用プランニングソルバを提案し,新規性に基づくベストファーストサーチBFS($v$)とプログレッシブ変種PGP($v$)により実装する。
さらに,アクションスキームから派生したGPにおける昇降支援動作を導入し,検索のスケールアップのための新たな評価機能と構造的プログラム制限を提案する。
実験の結果,新しいアルゴリズム BFS($v$) と PGP($v$) は,標準の一般化計画ベンチマークよりもGPの最先端性を上回っていることがわかった。
一般計画における上記の手法に関する実践的知見を概説する。
関連論文リスト
- Exploring and Benchmarking the Planning Capabilities of Large Language Models [57.23454975238014]
古典的計画領域と自然言語シナリオの両方を含むベンチマークスイートを構築した。
第2に、LLM計画の強化にICL(In-context Learning)を用いることについて検討し、文脈長の増大と計画性能の向上の直接的な関係について検討する。
第3に、最適計画パスに対する微調整LDMの正の効果と、モデル駆動探索手法の導入の有効性を実証する。
論文 参考訳(メタデータ) (2024-06-18T22:57:06Z) - 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) - 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) - Hierarchical Programmatic Reinforcement Learning via Learning to Compose
Programs [58.94569213396991]
プログラムポリシーを作成するための階層型プログラム強化学習フレームワークを提案する。
提案するフレームワークは,プログラム作成の学習を通じて,アウト・オブ・ディストリビュータの複雑な動作を記述するプログラムポリシーを作成することができる。
Karel ドメインの実験結果から,提案するフレームワークがベースラインより優れていることが示された。
論文 参考訳(メタデータ) (2023-01-30T14:50:46Z) - Generalized Planning as Heuristic Search: A new planning search-space
that leverages pointers over objects [10.850101961203748]
本稿では,一般計画(GP)の一般化要件に探索パラダイムとしての計画を適用する。
本稿では,新しいGP解空間における探索を導くための評価関数と計算関数のセットを定義する。
BFGP(Best-First Generalized Planning)と呼ばれるGPのための新しいアルゴリズムのアップグレード版では、ポインタベースのソリューション空間でベストファースト検索を実装している。
論文 参考訳(メタデータ) (2023-01-26T13:25:39Z) - Computing Programs for Generalized Planning as Heuristic Search [10.850101961203748]
本稿では,一般計画(GP)の特質に探索パラダイムとしての計画を適用する。
GPのためのBFGPアルゴリズムは,プログラムベースの解空間において最良優先探索を実装している。
論文 参考訳(メタデータ) (2022-05-12T17:57:09Z) - Generalized Planning as Heuristic Search [12.160708336715489]
本稿では,計画を探索パラダイムとして一般化計画(gp)の特質に適用する。
本稿では,GP問題における計画インスタンスの数と,これらのインスタンスのサイズに依存しない,新しいGPソリューション空間を定義する。
最後に,BFGP(Best-First Generalized Planning)と呼ばれるGPアルゴリズムを定義し,評価・ヒューリスティック関数によって導かれる解空間において,ベストファーストな探索を行う。
論文 参考訳(メタデータ) (2021-03-26T12:35:10Z) - Robust Hierarchical Planning with Policy Delegation [6.1678491628787455]
本稿では,デリゲートの原理に基づく階層計画のための新しいフレームワークとアルゴリズムを提案する。
このプランニング手法は、様々な領域における古典的なプランニングと強化学習技術に対して、実験的に非常に競争力があることを示す。
論文 参考訳(メタデータ) (2020-10-25T04:36:20Z) - Planning with Submodular Objective Functions [118.0376288522372]
準モジュラー目的関数を用いて計画を行い、累積報酬を最大化する代わりに、劣モジュラー関数によって誘導される値の最大化を目標とする。
本フレームワークは, 基本性制約を特別な場合として, 標準計画と準モジュラー目標を仮定する。
論文 参考訳(メタデータ) (2020-10-22T16:55:12Z) - 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。