STRIPS Action Discovery
Institut de Robòtica i Informàtica Industrial, CSIC-UPC（西班牙国家研究委员会-加泰罗尼亚理工大学机器人与工业自动化研究所）
在现实环境中，规划所需的高层次知识库的确定成为一项艰巨的任务。这些知识通常是手工制作的，即使是系统专家也很难保持更新。最近的方法表明，即使所有中间状态都缺失，经典规划在综合行动模型方面也取得了成功。这些方法可以综合行动计划规划域定义语言（PDDL）从一组执行轨迹，每个组成，至少，一个初始和最终状态。在本文中，我们提出了一个新的算法，无监督合成的动作签名是未知的时，与经典的规划器的ARIPS动作模型。此外，我们还对经典规划进行了编译，以缓解学习动作模型先决条件中的静态谓词的问题，利用SAT规划器的并行编码功能来计算动作模式并验证所有实例。我们的系统是灵活的，因为它支持包括部分输入信息，可以加快搜索。我们通过几个实验展示了学习的动作模型如何在看不见的规划实例中推广。
2021-03-05 cs.AI
SAS+ Planning as Satisfiability
Washington University in St. Louis（圣路易斯华盛顿大学）
作为可满足性的规划是规划的一种主要方法，具有许多突出的优点。现有的规划作为可满足性技术，通常使用编译自可满足性规划的编码。我们介绍了一种新的SAT编码方案（SASE）的基础上的SAS+形式主义。新方案利用了SAS+中的结构信息，从而产生了一种更紧凑、更有效的编码。我们证明了新的编码的正确性，通过建立一个同构的解决方案之间的计划SASE和基于编码的SAMPS。我们进一步分析了SASE中新引入的过渡变量，以解释为什么它可以容纳现代SAT求解算法并提高性能。我们给出了实证统计结果来支持我们的分析。我们还开发了一些技术，以进一步减少SASE的编码大小，并进行实验研究，以显示每个单独的技术的强度。最后，我们报告了大量的实验结果，以证明显着的改进SASE在国家的最先进的基于编码方案的时间和内存效率。
2014-01-18 cs.AI
Scaling up ML-based Black-box Planning with Partial STRIPS Models
Aalborg University（奥尔堡大学）；ServiceNow Research（ServiceNow研究院）
一种流行的顺序决策方法是执行基于模拟器的搜索，并使用机器学习（ML）方法（如策略学习）进行指导。另一方面，如果有一个完整的声明性模型，模型松弛算法可以有效地指导搜索。在这项工作中，我们考虑如何从业者可以提高ML为基础的黑盒规划设置一个完整的符号模型不可用。我们表明，指定一个不完整的CNOPS模型，只描述了问题的一部分，使使用松弛算法。我们在几个规划领域的研究结果表明，这是一种有效的方法来改善基于ML的黑盒规划，而不仅仅是收集更多的数据或调整ML架构。
2022-07-10 cs.AI cs.CL cs.LG
Heuristics for Planning, Plan Recognition and Parsing
Universitat Pompeu Fabra（庞培法布拉大学）；ICREA（加泰罗尼亚研究与高级研究院）
在最近的一篇论文中，我们已经表明，计划识别的CNOPS可以制定和解决使用经典的规划原理和算法。在这项工作中，我们表明，这一提法纳入了标准的制定计划识别图书馆通过编译库到CNOPS理论。库对应于可以是循环的并且其中AND节点的子节点可以是部分排序的AND/OR图。这些库包括作为特殊情况的上下文无关文法，其中计划识别问题变成了缺少标记的解析问题。在标准库上的规划识别成为任何现代规划者都可以轻松解决的规划问题，而在更复杂的库上的识别，包括上下文无关文法（CFG），说明了当前规划算法的局限性，并提出了可能与其他规划问题相关的改进建议。
2016-05-22 cs.AI
The Metric-FF Planning System: Translating "Ignoring Delete Lists" to Numeric State Variables
多年来，使用数值状态变量进行规划一直是一项挑战，并且是第三届国际规划竞赛（IPC-3）的一部分。目前，最流行的和成功的算法技术之一，在CNOPS规划是引导搜索的启发式功能，其中的启发式是基于放松的规划任务，忽略删除列表的可用动作。我们提出了一个自然的扩展“忽略删除列表”的数值状态变量，保持相关的理论性质的条件下，手头的数值任务是单调的。然后，我们确定了一个子集的数值IPC-3的竞争语言，“线性任务”，其中单调性可以通过预处理来实现。在此基础上，我们将启发式规划系统FF中的算法扩展到线性任务。由此产生的系统Metric-FF是，根据IPC-3的结果，我们讨论，目前最有效的两个数字规划。
2011-06-26 cs.AI
Compiling Causal Theories to Successor State Axioms and STRIPS-Like Systems
The Hong Kong University of Science and Technology（香港科技大学）
我们描述了一个系统指定的行动的影响。与人工智能规划中常用的那些不同，我们的系统使用一种动作描述语言，允许人们使用域规则来指定动作的效果，域规则是状态约束，可以从旧的动作中产生新的动作效果。声明，在我们的语言中的行动域对应于一个非单调的因果理论的情况演算。在程序上，这样的动作域被编译成一组逻辑理论，一个用于域中的每个动作，然后生成完全实例化的后继状态类公理和类STRIPS系统。我们希望该系统是一个有用的工具，知识工程师编写经典的人工智能规划系统，GOCNET系统，和其他系统的行动需要正式规范的行动规范。
2011-06-24 cs.AI
Determining ActionReversibility in STRIPS Using Answer Set and Epistemic Logic Programming
University of Klagenfurt（克拉根福大学）；Czech Technical University in Prague（捷克布拉格技术大学）
在关于行动和变化的规划与推理的上下文中，当一个行动的效果可以通过应用其他行动而恢复到原始状态时，我们称之为可逆的。对这一领域的重新关注已经在PDDL语言的上下文中产生了几个结果，PDDL语言广泛用于描述规划任务。在本文中，我们提出了几个解决方案的计算问题，决定可逆的行动。特别是，我们利用现有的翻译从PDDL到回答集编程（ASP），然后使用几种不同的编码来解决PDDL的PDPS片段的动作可逆性的问题。对于这些，我们使用ASP，以及认知逻辑编程（ELP），ASP与认知算子的扩展，并比较和对比它们的优点和缺点。正在考虑接受TPLP。
2021-08-11 cs.AI
Learning Neural-Symbolic Descriptive Planning Models via Cube-Space Priors: The Voyage Home (to STRIPS)
MIT-IBM Watson AI Lab, IBM Research（麻省理工学院-IBM沃森人工智能实验室，IBM研究院）
我们在使智能体能够自主学习其环境的艰巨任务中取得了新的里程碑。我们的神经符号架构经过端到端的训练，仅从图像中生成简洁有效的离散状态转换模型。我们的目标表示（规划域定义语言）已经是一种现成的求解器可以使用的形式，并为现代启发式搜索功能的丰富阵列打开了大门。我们展示了如何复杂的先天先验，我们放置在学习过程中显着降低了复杂性的学习表示，并揭示了连接到图论的概念“立方体图”，从而打开了大门，更深入地了解学习符号表示的理想属性。我们表明，强大的领域独立的算法允许我们的系统解决视觉15-Puzzle的情况下，这是超出了盲目搜索的范围，而不诉诸强化学习的方法，需要大量的训练领域相关的奖励信息。
2020-08-11 cs.AI cs.LG
Neural-Symbolic Descriptive Action Model from Images: The Search for STRIPS
MIT-IBM Watson AI Lab（MIT-IBM沃森人工智能实验室）；IBM Research（IBM研究院）
最近的工作神经符号系统，学习离散规划模型的图像开辟了一个有前途的方向，扩大范围的自动规划和调度的原始，嘈杂的数据。然而，以前的工作只是部分解决了这个问题，利用黑盒神经模型作为后继生成器。在这项工作中，我们提出了双阶段动作模型获取（DSAMA），一个系统，获得一个描述性的PDDL动作模型与明确的前提条件和影响的命题变量无监督学习的图像。DSAMA训练一组基于规则的随机森林分类器，并将它们编译成PDDL中的逻辑公式。虽然我们获得了与黑盒模型相比具有竞争力的准确PDDL模型，但我们观察到，所产生的PDDL对于最先进的标准规划器（如Fast Downward）来说过于庞大和复杂，主要是由于PDDL-SAS+转换器瓶颈。从这个负面的结果，我们认为，这个翻译瓶颈不能仅仅通过使用不同的，现有的基于规则的学习方法来解决，我们指出了潜在的未来方向。
2019-12-11 cs.AI cs.LG
Transforming and Encoding FTS for SAT Solving: What Helps, What Hurts (Extended Version)
University of Amsterdam, Institute for Logic Language and Computation（阿姆斯特丹大学，逻辑语言与计算研究所）；Aalborg University（奥尔堡大学）
研究如何将因子化任务编码为SAT问题，提出多种编码策略，并分析并行性和任务转换对SAT规划器性能的影响。
2026-05-28 cs.AI
Where 'Ignoring Delete Lists' Works: Local Search Topology in Planning Benchmarks
Max Planck Institute for Computer Science（马克斯·普朗克计算机科学研究所）
在1998年到2004年之间，规划界在独立于领域的规划者可以成功处理的基准示例的规模方面取得了巨大的进步。这一进展背后的关键技术是使用启发式函数的基础上放松手头的规划任务，其中放松是假设所有删除列表是空的。在许多常用的基准测试示例中，这些方法取得了前所未有的成功，这需要了解这些方法适用于哪些领域。在手头的调查中，我们得到了这样一种理解的正式背景。我们进行了一个案例研究，涵盖了一系列30个常用的CNOPS和ADL基准域，包括前四个国际规划竞赛中使用的所有例子。我们 * 证明 * 域结构和局部搜索拓扑结构之间的连接-启发式成本表面属性-下的现代规划师中使用的启发式函数的理想化版本。理想化的启发式函数称为h^+，与实际使用的函数不同之处在于它返回 * 最优 * 松弛计划的长度，这是NP-难计算的。我们确定了h^+下拓扑的几个关键特征，涉及存在/不存在未识别的死端，以及存在/不存在关于逃离局部极小和长凳的难度的恒定上界。这些区别将规划域（所有规划域的集合）划分为不同h^+拓扑的类的分类。事实证明，30个研究领域中的许多领域都属于拓扑相对简单的类别。最特别的是，其中12个域位于FF搜索算法（提供h^+）是多项式求解机制的类中。我们还介绍了在FF中实现的h^+与其近似值之间的关系。关于死胡同的行为可以证明是相同的。我们总结了一项实证研究的结果，该研究表明，在许多领域，h^+的拓扑性质在很大程度…
2011-09-26 cs.AI
A Theoretical Framework for Parallel Lifelong MAPF Using Group Decentralized Planning
Carnegie Mellon University（卡内基梅隆大学）
针对L-MAPF问题，本文证明RHCR的近最优性，提出并行规划的GD-RHCR框架，其在扩展智能体规模时仍能保持高吞吐量和低单规划成本。
2026-08-19 cs.AI cs.MA cs.RO
Best-First Heuristic Search for Multicore Machines
University of New Hampshire（新罕布什尔大学）；Palo Alto Research Center（帕洛阿尔托研究中心）
为了利用现代多核处理器，必须开发基本算法的并行版本。在本文中，我们比较了不同的方法来并行最佳优先搜索在共享内存设置。我们提出了一种新的方法，PBNF，使用抽象来划分状态空间，并检测重复的状态，而不需要频繁的锁定。PBNF允许在必要时进行推测性扩展，以保持线程繁忙。我们确定和修复潜在的活锁条件，在我们的方法，证明其正确性，使用时序逻辑。我们的方法是通用的，允许它很容易地扩展到次优和随时启发式搜索。在一个实证的比较上的CNOPS规划，网格寻路，和使用8核机器的滑动瓦片拼图问题，我们表明，A*，加权A* 和任何时候加权A* 使用PBNF实现比以前的并行搜索建议的改进版本产生更快的搜索。
2014-01-16 cs.AI cs.DC
