論文の概要: Challenges in Modelling and Solving Plotting with PDDL
- arxiv url: http://arxiv.org/abs/2310.01470v1
- Date: Mon, 2 Oct 2023 17:46:44 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-04 19:50:10.302496
- Title: Challenges in Modelling and Solving Plotting with PDDL
- Title(参考訳): pddlによるモデリングとプロット解決の課題
- Authors: Joan Espasa, Ian Miguel, Peter Nightingale, Andr\'as Z. Salamon, 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。
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。
- 参考スコア(独自算出の注目度): 1.289952230726233
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We study a planning problem based on Plotting, a tile-matching puzzle video
game published by Taito in 1989. The objective of this game is to remove a
target number of coloured blocks from a grid by sequentially shooting blocks
into the grid. Plotting features complex transitions after every shot: various
blocks are affected directly, while others can be indirectly affected by
gravity. We highlight the challenges of modelling Plotting with PDDL and of
solving it with a grounding-based state-of-the-art planner.
- Abstract(参考訳): 1989年にタイトーが発表したタイルマッチングパズルゲーム「Plotting」に基づく計画問題について検討した。
このゲームの目的は、グリッドに順次ブロックを発射することで、グリッドから色付きブロックのターゲット数を取り除くことである。
プロッティングはショット毎に複雑な遷移を特徴とし、様々なブロックが直接影響を受ける一方、他のブロックは重力によって間接的に影響を受ける。
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。
関連論文リスト
- PlaMo: Plan and Move in Rich 3D Physical Environments [68.75982381673869]
シーン認識型パスプランナで,ロバストな物理制御系であるPlaMoについて紹介する。
プランナーは、シーンが動きに課す様々な制限を考慮して、一連の動き経路を生成する。
私たちのコントロールポリシーは、計画に忠実なリッチでリアルな物理運動を生成します。
論文 参考訳(メタデータ) (2024-06-26T10:41:07Z) - NeRFiller: Completing Scenes via Generative 3D Inpainting [113.18181179986172]
生成3Dインパインティングによる3Dキャプチャの欠落部分を解消する手法であるNeRFillerを提案する。
関連する作品とは対照的に、前景のオブジェクトを削除するのではなく、シーンの完成に重点を置いている。
論文 参考訳(メタデータ) (2023-12-07T18:59:41Z) - 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) - SayPlan: Grounding Large Language Models using 3D Scene Graphs for
Scalable Robot Task Planning [15.346150968195015]
本研究では,3次元シーングラフ(DSG)表現を用いた大規模タスクプランニングのスケーラブルなアプローチであるSayPlanを紹介する。
我々は,最大3フロア,36部屋,140部屋までの大規模な2つの環境に対するアプローチを評価した。
論文 参考訳(メタデータ) (2023-07-12T12:37:55Z) - A Preliminary Case Study of Planning With Complex Transitions: Plotting [3.3546257721153716]
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。
論文 参考訳(メタデータ) (2021-10-27T12:52:17Z) - Dense Scene Multiple Object Tracking with Box-Plane Matching [73.54369833671772]
マルチオブジェクトトラッキング(MOT)はコンピュータビジョンにおいて重要なタスクである。
密集したシーンにおけるMOT性能を改善するために,Box-Plane Matching (BPM)法を提案する。
3つのモジュールの有効性により、ACM MM Grand Challenge HiEve 2020において、私たちのチームはトラック1のリーダーボードで1位を獲得しました。
論文 参考訳(メタデータ) (2020-07-30T16:39:22Z) - 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) - Symbol Spotting on Digital Architectural Floor Plans Using a Deep
Learning-based Framework [76.70609932823149]
本稿では,ディープラーニング(DL)フレームワークを用いた実世界のデジタル建築フロア計画のシンボルスポッティングに焦点を当てた。
本稿では,DLベースのオブジェクト検出ネットワークに特有な問題を避けるため,タイルに基づくトレーニング戦略を提案する。
実世界のフロアプランにおける実験により,クラス内類似度が低く,図形的複雑性が変化するアーキテクチャシンボルの検出に成功していることが示された。
論文 参考訳(メタデータ) (2020-06-01T03:16:05Z) - Tracking Road Users using Constraint Programming [79.32806233778511]
本稿では,マルチオブジェクトトラッキング(MOT)問題のトラッキング・バイ・検出パラダイムに見られるデータアソシエーションフェーズに対する制約プログラミング(CP)アプローチを提案する。
提案手法は車両追跡データを用いてテストし,UA-DETRACベンチマークの上位手法よりも優れた結果を得た。
論文 参考訳(メタデータ) (2020-03-10T00:04:32Z)
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。