A Method for Planning Given Uncertain and Incomplete Information
The University of Melbourne(墨尔本大学);Materials Research Laboratory(材料研究实验室)
本文介绍了正在进行的研究规划在一个不确定的环境。特别是,它介绍了U计划,一个规划系统,构建定量排名计划给定的世界状态的不完整描述。U-Plan使用DempsterShafer间隔来消除关于世界状态的不确定和不完整信息。规划器将已知的世界作为输入,并在不同的抽象层次上构造一些可能的初始状态。为具有最大支持度的初始状态构造一个计划,并测试该计划是否适用于其他可能的初始状态。所有、部分或没有现有计划可以用于生成剩余可能世界的计划。规划是在一个抽象的层次结构中进行的,在这个层次结构中,战略决策先于战术决策。一个超级计划,然后构建,合并的一组计划和适当的时间获取的基本知识,这是用来决定计划之间的替代品。U-Plan通常比经典规划器生成一组计划(每个可能世界一个)所需的时间更短。
2013-03-06 cs.AI
A Flexible Coupling Approach to Multi-Agent Planning under Incomplete Information
Universitat Politècnica de València(瓦伦西亚理工大学)
多智能体规划(MAP)方法通常是面向解决松散耦合的问题,是无效的,以处理更复杂的,强相关的问题。在大多数情况下,代理人在完全信息下工作,建立完整的知识库。本文介绍了一个通用的MAP框架,旨在解决不完全信息下的任何耦合级别的问题。我们的MAP模型中的代理部分不知道其余代理管理的信息,只共享影响其他代理的关键信息,从而保持任务的分布式视觉。
2015-01-29 cs.AI
A State-Based Regression Formulation for Domains with Sensing Actions<br> and Incomplete Information
我们提出了一个基于状态的回归函数规划域的代理不具有完整的信息,并可能有感测行动。我们认为二进制域和采用三值表征域与传感行动来定义回归函数。我们证明了我们的回归公式的稳健性和完整性相对于进展的定义。更具体地说,我们证明了(i)通过回归获得的规划问题的计划确实是该规划问题的级数解,以及(ii)对于通过级数找到的每个计划,使用回归获得该计划或等效计划。
2006-10-01 cs.AI
Merging plans with incomplete knowledge about actions and goals through an agent-based reputation system
Univ. Carlos III de Madrid(马德里卡洛斯三世大学)
针对认知障碍人群的过渡规划管理需求,提出基于多智能体声誉系统的规划合并框架与多种算法,可在动作与目标相似度未知的情况下生成适用规划,用作智力障碍人群的认知辅助工具。
2024-01-29 cs.AI
Cloth Manipulation Planning on Basis of Mesh Representations with Incomplete Domain Knowledge and Voxel-to-Mesh Estimation
Shinshu University(信州大学)
我们考虑机器人布料操作的开放目标规划问题。我们的系统的核心是一个神经网络训练作为一个前向模型的布料行为下操纵,规划通过反向传播执行。我们引入了一个基于神经网络的例程,用于从体素输入估计网格表示,并在内部以网格格式执行规划。我们解决的问题,规划与不完整的领域知识,通过一个明确的认知不确定性信号。该信号是根据前向模型网络的两个实例之间的预测偏差计算的,并用于避免规划期间的认知不确定性。最后,我们介绍了逻辑处理限制的把握点的一组离散的候选人,以适应机器人硬件施加的可抓取性约束。我们评估系统的网格估计,预测和规划能力模拟布序列的一到三个操作。比较实验证实,估计网格的基础上的规划,提高精度相比,基于体素的规划,和认知不确定性的避免提高性能的条件下,不完整的领域知识。规划的时间成本是几秒钟。我们还提出了机器人硬件的定性结果。
2021-11-12 cs.AI cs.RO
Heuristic Approaches for Goal Recognition in Incomplete Domain Models
Pontifical Catholic University of Rio Grande do Sul (PUCRS)(南里奥格兰德天主教大学);School of Technology(技术学院)
最近的目标识别方法已经逐步放宽了关于领域知识和可用观测的数量和正确性的假设,从而产生准确和有效的算法。然而,这些方法假设了域理论的完整性和正确性,而这些域理论的算法与观测结果相匹配:这对于大多数现实世界的域来说太强了。在本文中,我们开发的目标识别技术,能够识别目标使用\textit{incomplete}(可能是不正确的)域理论。我们展示了我们的方法的效率和准确性经验对一个大的目标和计划识别问题的数据集不完整的域。
2018-04-16 cs.AI
Synthesizing Manipulation Sequences for Under-Specified Tasks using Unrolled Markov Random Fields
Cornell University(康奈尔大学)
人类环境中的许多任务需要执行一系列涉及对象的导航和操作步骤。在非结构化的人类环境中,所涉及的对象的位置和配置经常以不可预测的方式变化。这需要一个在不确定环境中稳健和灵活的高层次规划战略。我们提出了一种新的动态规划策略,它可以从一组示例序列中训练。高级任务表示为一系列基本动作或控制器(具有适当的参数)。我们的评分函数,基于马尔可夫随机场(MRF),捕捉环境,控制器,和他们的参数之间的关系。通过使用属性集来表示环境,该方法可以很好地推广到不可见的场景。我们训练我们的MRF的参数使用最大余量学习方法。我们提供了一个详细的实证验证我们的整体框架,展示了成功的计划策略的各种任务。
2014-06-24 cs.AI cs.LG cs.RO
Refining HTN Methods via Task Insertion with Preferences
Sun Yat-sen University(中山大学);IRIT(图卢兹计算机科学研究所);University of Toulouse(图卢兹大学)
分层任务网络(HTN)规划在现实世界的规划中显示出其强大的功能。虽然领域专家有部分层次的领域知识,它是耗时的指定所有HTN方法,使他们不完整。另一方面,传统的HTN学习方法只关注陈述性目标,忽略了层次化的领域知识。在本文中,我们提出了一种新的学习框架,通过任务插入完善HTN方法,完全保留原始方法。由于它是很难识别不完整的方法,而不指定声明性目标的复合任务,我们引入了优先级偏好的概念,以捕捉方法的不完整性的可能性。具体地,框架首先计算优选完成简档w.r.t.对不完整的方法进行优化的优先选择。然后通过方法替换操作找到最小的精化方法集。实验分析表明,我们的方法是有效的,特别是在解决新的HTN规划实例。
2019-11-29 cs.AI
Model-Lite Case-Based Planning
Sun Yat-sen University(中山大学);Arizona State University(亚利桑那州立大学)
在规划界,人们越来越意识到,依赖于完整的模型阻碍了规划技术在许多现实世界领域中的适用性,在这些领域中,指定完整的领域模型的负担太高。在本文中,我们认为这一挑战,结合不完整的领域模型与库的计划情况下,已知是正确的生成规划的一种新的解决方案。虽然这可以说是基于案例的规划的原始动机,但大多数现有的基于案例的规划者都假设(并依赖于)从头开始的规划者,他们在完整的领域模型上工作。相比之下,我们的方法将不完整模型生成的计划视为“骨架计划”,并通过从库案例中直接挖掘计划片段来增强计划。我们将介绍我们的方法的细节,并提出一个经验评估我们的方法相比,一个国家的最先进的基于案例的计划,依赖于完整的领域模型。
2012-07-28 cs.AI
Operator Selection While Planning Under Uncertainty
Cooperative Research Centre for Intelligent Decision Systems(智能决策系统合作研究中心);Materials Research Laboratory(材料研究实验室)
本文介绍了最好的第一个搜索策略使用的U-计划(曼塞尔1993年a),规划系统,构建定量排名计划给出了一个不完整的描述不确定的环境。U-Plan使用不确定和不完整的证据来描述环境,使用Dempster-Shafer间隔来描述环境,并生成一组可能的世界状态。计划的构建是在一个抽象的层次结构中进行的,在这个层次结构中,战略决策先于战术决策。通过这种抽象层次结构的搜索是由基于决策理论的定量测量(预期实现)指导的。搜索策略最好首先提供更新预期实现情况的规定,并根据规划发展审查以前的决定。U-Plan为多个可能的世界生成多个计划,并尝试将现有计划用于新的世界情况。然后,基于合并一组计划和适当定时的知识获取操作符来构建超级计划,所述操作符用于在计划执行期间在计划备选方案之间做出决定。
2013-02-27 cs.AI
Learning of Agent Capability Models with Applications in Multi-agent Planning
Arizona State University(亚利桑那州立大学)
一组代理实现更有效的协作的一个重要挑战是这些代理维护彼此的适当模型。这些其他代理人的模型的一个重要方面是,他们往往是部分和不完整的。到目前为止,有两种常见的代理模型表示:基于MDP和基于动作,这两种模型都是基于动作建模。在许多应用中,代理模型可能尚未给出,因此必须学习。虽然使用基于MDP或基于动作的模型进行学习似乎很方便,但在本文中,我们引入了一种基于能力模型的新表示,它具有一些独特的优点。首先,我们证明了学习能力模型可以通过贝叶斯学习在线有效地执行,并且学习过程对计划执行轨迹中的高度不完整性(例如,只有开始和结束状态)。虽然计划执行跟踪中的高度不完整性对基于MDP和基于动作的模型提出了学习挑战,但是能力模型仍然可以学习从这些跟踪中{ \em抽象}有用的信息。因此,能力模型在这种不完整性很常见的应用中很有用,例如,机器人学习人类模型从观察和互动。此外,当用于多代理规划(每个代理单独建模)时,能力模型提供了灵活的动作抽象。但其局限性在于综合方案不完整、抽象。
2014-11-04 cs.AI cs.MA
Plan or not: Remote Human-robot Teaming with Incomplete Task Information
根据人与机器人之间的物理距离,人机交互可以分为两类:远程和近端。在近距离交互中,人与机器人通常进行紧密的协调;在远程交互中,由于通信约束,人与机器人的耦合程度较低。因此,在远程交互中为机器人提供自动化变得更加重要。到目前为止,在远程人机交互自动化的人的因素的研究已被限制在各种形式的监督,其中的机器人基本上是被用作一个智能移动操作平台的传感能力。在本文中,我们调查纳入一般规划能力的机器人,以促进对等的人类-机器人团队,其中的人类和机器人被视为队友,在物理上分离。人类和机器人共享相同的全局目标,并合作实现它。请注意,人类可能会对这种机器人自主性感到不舒服,这可能会降低团队性能。P2P团队和监督团队之间的一个重要区别是,当任务信息完全指定时,P2P团队中的自主机器人可以单独实现目标。然而,不完全性往往存在,这意味着信息不对称。虽然信息不对称有时是可取的,但它也可能导致机器人选择不适当的动作,从而对团队性能产生负面影响。我们的目标是研究各种权衡,例如,心理工作量和态势感知,这两种类型的远程人机合作之间。
2014-12-09 cs.AI cs.RO
Learning STRIPS Operators from Noisy and Incomplete Observations
University of Edinburgh(爱丁堡大学);University of Washington(华盛顿大学)
在现实世界的领域中,学习自主行动的智能体必须获得它们所处领域的动态模型。学习域动态可能是具有挑战性的,特别是在代理只能部分访问世界状态和/或嘈杂的外部传感器的情况下。即使是在标准的ARIPS域中,现有的方法也不能从真实世界域中典型的噪声,不完整的观察中学习。我们提出了一种方法,学习在这样的领域中的CNOPS动作模型,通过将问题分解为第一次学习状态之间的转换函数的形式的一组分类器,然后从分类器的参数推导出明确的CNOPS规则。我们评估我们的方法模拟标准规划域从国际规划竞赛,并表明,它学习有用的域描述从嘈杂的,不完整的观察。
2012-10-16 cs.AI cs.LG stat.ML
Human-Agent Cooperation in Games under Incomplete Information through Natural Language Communication
University of Texas at Austin(德克萨斯大学奥斯汀分校);Carnegie Mellon University(卡内基梅隆大学)
针对不完全信息共享控制博弈中的人机合作,提出包含语言模块与规划模块的通信方法,利用标志集转换自然语言并结合带标志交换的蒙特卡洛树搜索计算策略,有效缩小信息差并提升合作效率。
2024-06-01 cs.AI cs.HC
Deep reinforcement learning driven inspection and maintenance planning under incomplete information and constraints
The Pennsylvania State University(宾夕法尼亚州立大学)
在日益恶化的工程环境中,为使长期风险和成本最小化而确定检查和维护策略是一个复杂的优化问题。主要的计算挑战包括(i)维数灾难,由于状态/动作集基数与组件数量的指数缩放;(ii)历史灾难,与决策步骤数量的指数增长决策树有关;(iii)存在状态不确定性,由固有的环境随机性和检查/监测测量的可变性引起;(iv)由于资源稀缺和其他不可行/不可取的系统响应,存在与随机长期限制有关的约束。在这项工作中,这些挑战是在约束部分可观察马尔可夫决策过程(POMDP)和多智能体深度强化学习(DRL)的联合框架内解决的。POMDP最佳地解决了(ii)-(iii),结合随机动态规划与贝叶斯推理原则。多智能体DRL通过深度功能参数化和分散控制假设解决了(i)。挑战(四)在这里处理通过适当的状态增强和拉格朗日松弛,强调生命周期风险为基础的约束和预算限制。提供了基本的算法步骤,拟议的框架被发现优于既定的政策基线,并促进熟练处方的检查和干预行动,在必须作出决定的情况下,在最资源和风险意识的方式。
2020-07-02 cs.AI cs.LG math.OC
Do Large Language Models have Problem-Solving Capability under Incomplete Information Scenarios?
Fudan University(复旦大学);SenseAuto(思特汽车)
本文针对不完全信息场景下LLM问题解决能力的评估需求,提出了一种结合“谁是卧底”与“二十问”的新型游戏BrainKing,通过设置不同难度模式全面评估LLM在有限信息和误导线索下的实体识别能力,揭示了其能力与局限。
2024-09-23 cs.AI cs.CL
Domain Concretization from Examples: Addressing Missing Domain Knowledge via Robust Planning
Arizona State University(亚利桑那州立大学)
对于现实世界中的机器人规划和决策,完全领域知识的假设是不必要的。它可能是由于设计缺陷或从域分支或资格产生的。在这种情况下,现有的规划和学习算法可能会产生非常不希望的行为。这个问题比部分可观测性更具挑战性,因为智能体不知道某些知识,而不是部分可观测:已知的未知数和未知的未知数之间的差异。在这项工作中,我们制定它作为域具体化的问题,域抽象的逆问题。基于设计者提供的不完整的领域模型和来自人类用户的教师痕迹,我们的算法在最小模型假设下搜索候选模型集。然后,它生成一个强大的计划,在候选模型集下具有最大的成功概率。除了在模型空间中的标准搜索公式,我们提出了一个基于样本的搜索方法,也是它的在线版本,以提高搜索时间。我们测试了我们的方法IPC域和模拟机器人领域的不完整性,从完整的模型中删除域功能。实验结果表明,该规划算法在不影响成本的情况下,提高了规划成功率。
2020-11-18 cs.AI cs.RO
Human-Agent Coordination in Games under Incomplete Information via Multi-Step Intent
University of Texas at Austin(得克萨斯大学奥斯汀分校);The University of Texas at Austin(得克萨斯大学奥斯汀分校)
本文扩展共享控制博弈以支持多步意图,提出结合概率信念记忆与 IntentMCTS 在线规划的协作方法,实验证明其减少步数与切换,并提升成功率和用户体验。
2025-02-17 cs.AI cs.HC
IG-MCTS: Human-in-the-Loop Cooperative Navigation under Incomplete Information
The University of Texas at Austin(德克萨斯大学奥斯汀分校)
针对信息不完整下的人机协同导航,提出IG-MCTS算法,联合优化自主移动与信息通信,利用NHPM预测人类地图更新,降低通信负荷并保持任务性能,并推广至连续空间。
2025-10-09 cs.AI cs.RO